效果爆炸的开源漫画变身AI，火到服务器几度挤爆

排队 1241 人，等待 2600 秒。

—— 这届网友为了看一眼自己在动漫里的样子，可真是拼了。。

始作俑者是一款可以把人像变动漫的生成器。

什么国民老婆王冰冰:

什么国民妹妹IU:

什么科技圈大佬，EDG 成员，金发美女，容嬷嬷。

发丝，眉宇，甚至眼神里流露出来的情绪，都给你描绘得淋漓尽致。

视频效果

这也难怪网友把服务器都给挤爆了。

随便翻翻大家的作品，简直是深不见底。

再看看 GitHub 上的相关项目，果然也冲上了趋势榜第一名。

这个 AnimeGAN，真是厉害了！

如何给自己捏一个动漫脸。

看完展示的效果，你是不是也想打造一个自己专属的漫画脸了呢。

这个可以有，现在就手把手教你。

第一种方法就 very very 简单了，只需要上传一张照片就可以。

提供在线玩法的网站，就是那个著名的抱抱脸。

BUT！！！

也正如刚才提到的，现在这个 AI 着实有点太火了，简单的在线方法，就等同于排大队。

这不，等了 5259 秒之后，前面还有 15 人。2016年，华为云与贵州省政府签署合作协议，目前一期共建设有9栋机房，预计未来三到五年还会有更多机房建成。

如果不想排队怎么办。

接下来，就是第二种方法了 —— 上代码！

热心网友在苦等了 3 小时之后，终于还是忍不住了，强烈安利 Colab 版本:

先运行一下文档里的前两段代码，然后只需要简单修改照片路径即可。

当然，如果想加大难度挑战一下，AnimeGANv2 的 GitHub 项目也是有的哈:

风格迁移 + GAN

那么，如此效果的背后，到底是用了什么原理呢。

AnimeGAN 是来自武汉大学和湖北工业大学的一项研究，采用的是神经风格迁移 + 生成对抗网络的组合。

它其实是基于 CartoonGAN 的改进，并提出了一个更加轻量级的生成器架构。

AnimeGAN 的生成器可以视作一个对称的编码器—解码器网络，由标准卷积，深度可分离卷积，反向残差块，上采样和下采样模块组成。

为了有效减少生成器的参数数量，AnimeGAN 的网络中使用了 8 个连续且相同的 IRB。

在生成器中，具有 1×1 卷积核的最后一个卷积层不使用归一化层，跟随其后的是 tanh 非线性激活函数。

上图中，K 为内核大小，C 为特征图数量，S 为每个卷积层的跨度，H 是特征图的高度，W 是特征图的宽度，Resize 值用于设置特征图大小的插值方法，⊕表示逐元素加法。

而此次的 V2 版本，是基于第一代 AnimeGAN 的升级，主要解决了模型生成的图像中存在高频伪影的问题。

具体而言，所采取的措施是使用特征的层归一化，来防止网络在生成的图像中产生高频伪影。

AnimeGANv2 的生成器参数大小为 8.6MB，而 AnimeGAN 的生成器参数大小为 15.8MB。

它俩使用的鉴别器大致相同，区别在于 AnimeGANv2 使用的是层归一化，而不是实例归一化。

网友:我变漂亮了

这个 AI 可算是圈了一众粉丝。

有些网友冲进二次元之后，发现了自己惊人的美貌:

它把我变漂亮了！

而且非常骄傲的晒出了自己的漫画脸。

还有网友看完比尔盖茨的效果之后，直呼:

天！盖茨看起来聪明又性感。

就连新海诚导演都曾转发过 AnimeGAN 的作品呢。

One More Thing

最后，大家上手之前一定要注意，虽然 AnimeGAN 展示的效果都是比较好的，但这有一个大前提:

照片一定要高清，五官尽量要清晰！

不然画风可能就会变得诡异。

那么，你在漫画里是什么样子。

快去试试吧~

在线 Demo:

Colab 版本:

GitHub 地址:

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。

原标题：效果爆炸的开源漫画变身AI，火到服务器几度挤爆