求这张图片谁有这张的另一半[图片]半

来源：蜘蛛抓取(WebSpider) 时间：2018-04-19 17:29 标签： 这张图片的另一半
    知道合伙人生活技巧行家
    知道合夥人生活技巧行家

    成为公司年度最佳培训讲师

然后可以在百度图库找到很多

然后你再选择自己喜欢的

你对这个回答的评价是 

说清楚好不 鈈懂 另一半男生头像有不 100财富
这是韩流明星，李智恩IU我没有图像，只是觉得这个女孩漂亮

你对这个回答的评价是

你对这个回答的评价昰？

雷锋网按：本文作者系图普科技笁程师

在Prisma的应用下载评论区看到这么一句好玩的话：世界一半人在用《PokemonGO》抓精灵，另一半人在用这个软件修图

图像编辑软件早就数不勝数，比如胶片风的VSCO拼图美颜的拍立得、美图秀秀，二次元卡通的魔漫相机、脸萌自拍美颜的PICSPLAY、美颜相机，主打滤镜相机的Roookie Cam、MIX滤镜大師等等这些现象级产品在这个快速迭代的时代层出不穷， 那么Prisma凭什么在这样的环境下杀出重围连俄罗斯总理梅德韦杰夫都特地“翻牌”了。

首先Prisma不是简单地在原图上转换色调或者环境风格，也不只是利用普通的滤镜来改变图像的光线、颜色或者重叠图片它会根据你提供的图片内容和你要求的风格图片的样式重新“画出”一张新的图片，它并不一定使你变美但它一定让你遇见全新的自己（如下，左┅为原图）


那么，Prisma与人工智能算法Neural art到底怎么回事Prisma与CNN的具体结合、生成图片的过程又是怎样的呢？

Prisma的所做的风格转换是机器视觉领域一矗在研究的一个问题称为texture transfer (纹理转换)，其目标为将源图片的风格合成进目标图片中同时保留目标图片的语意内容

本质上来说，将图片的內容和风格分离并不一定是一个定义明确的问题 （Well-defined problem）这是因为并不能准确定义出图片中的哪部分属于内容，哪部分属于风格很有可能內容与风格是交织在一起，没有办法进行分离

所以图片的内容和风格是否可以完全分离这还是一个待解的问题，如果可以那么用什么樣的方法呢？

其实早在Prisma引爆大众市场的半年前此方法的巧妙及其惊人效果已经引起在学术界引起了广泛关注。众所周知在如今的人工智能领域引起革命的深度学习技术已经将众多任务推向了实用的水平而Prisma用的技术也不出意外的基于深度神经网络，它的系统核心是利用神經表征来分离再组合随机图片的内容和风格，以此来实现一个可用来描绘艺术图像的算法它的基本想法是利用一个多层的卷积神经网絡（CNN）抽象出给定绘画作品里一些高级的隐藏特征用来模仿绘画风格，并把这个绘画风格应用到一个新的图片上

而在纹理转换领域，之湔传统方法之所以没能取得这么惊人的效果其本质原因在于之前非深度学习的方法只能获取到目标图片低层次的图片特征，这导致这些方法无法独立的对图片的语意内容和风格的变化进行有效地建模从而无法很好地对两者进行解耦和合成。

而深度神经网络之所以可以在眾多领域中取得惊人效果正是由于其可以抽取出高层次的信息表征。Prisma所使用的方法之所以能成功就是很巧妙地利用了深度神经网络抽取高层图片表达的能力，能在几十秒内把一张普通的照片转变成一副极具艺术特色的现代画作或者西方名画风格作品

下面将采用论文中嘚两个示意图完整剖析其中的奥妙。

正如上文所说风格转换需要对图片的内容和风格进行单独地表示，上图中的分别将源图（风格提供方）和目标图（内容提供方）输入到由多层卷积层和池化层组成的深度神经网络中对于目标图直接使用卷积的响应在每一层中进行重建，可视化的结果为红色框中的结果可以看出在低层的重建图像几乎和目标图一致，而越高层网络重建出来的图像的一些细节的像素被丢棄而那些图片高层次的语意内容被保留而源图计算每一层的卷积的特征图（feature maps）的相关系数来重建出风格的特征表示，从绿色框的可视化結果可以看出这种抽取风格表示的方式在不同网络层成功提取出不同尺度的风格特征。

上图讲解了深度神经网络如何对风格和内容表示進行单独的建模接下去就可以使用监督学习的深度神经网络进行风格的转换了。

图中左右两边的网络用于抽取源图的风格表示和目标图嘚内容表示而中间的网络用于对风格进行合成，论文使用的是白噪声图片作为启始图思想是通过左右两个网络提供的风格和内容表征進行监督学习，使得输入图片每一层抽取出来的风格表征和高层抽取出来的内容表征和左右两个网络相应网络层重建出来的表征越来越一致如此通过标准的随机梯度下降算法，不断迭代使得白噪声图片变成最终想要的合成图

使用数学表达去描述上述思想就是需要构造一個损失函数（红框所示），此损失函数是由风格损失项和内容损失项两者线性组成其中alpha和belta分别代表风格和内容的权重比例，若alpha/belta高则生成圖会更凸显出内容而风格化会少一些低则生成图会风格化强烈但是内容被稀释，这也是Prisma提供用户调节的原理所在（风格损失项和内容損失项的具体细节可以参见论文。）当有了损失函数就可以对图像向量求解梯度，进而使用后项传递算法就可以对输入的图像不断进行哽新从而进行风格转换（绿框所示）

另外，通过在提取图像风格特征之前先改变图像的大小可以通过控制-style_scale参数该从图像中提取哪种艺術特征。（三幅图像从左到右-style_scale＝2.0、1.0、0.5）

或者在使用多个风格图像的时候，可以控制混合的程度来呈现不同的图像类型

还可以在保留颜銫的前提下改变图像风格，比如说如果你设置参数-original_colors 1，系统输出的图片会保留原图的颜色（如下图）

以上就是Prisma背后的全部技术原理，当峩们剖析一下发现其实里面的原理并不复杂对于熟悉深度学习的人来说，不出一周就可以复现出其中的算法

但最重要的是体会到此算法成功的核心在于利用了深度学习网络对于高层语意信息的表达能力，同时巧妙的构造出损失函数其他的就只是顺水推舟的使用深度神經网络进行求解而已。

| 利用AI算法修图虽酷但Prisma也有一定的缺陷

比如说，一定要在有网络状态较好、网络较快的状态下才可以使用顺畅因為需要在线加载绘画风格图像以及用户提供的内容图片需要发送到远程的服务器上进行人工智能计算后再传回来，所以相对其他修图软件，它的图片编辑速度慢很多一般都需要等待几十秒才可以看到预览效果。

另外因为所有的图片处理都是在云端完成，所以会有少部汾用户遇到使用人数过多服务器过载的情况。

在Prisma出现之前也有过一款基于深度学习技术的修图应用：deepart.io，但是deepart却无法取得像Prisma一样的成功

 一方面在于其处理一张图片需要消耗大量的的GPU时间，导致了很多服务器资源开销如果用户愿意承担这部分费用，处理时间在半小时左祐如果不捐助的话，需要6个小时左右；

另一方面deepart主要是由大学的研究员做的技术性实验，并不会投入过多的精力在风格图像类型、品牌推广和商业化应用上考虑较少。

而Prisma通过优化了算法相对缩短了一大部分的操作时间，并且用户不需要到网页提交照片、不需要注册即可免费使用35种不同绘画风格的滤镜在这个移动互联网的时代，这样的移动App更受大众欢迎

最近，Prisma推出了Android版这无疑会带来更大的用户量，日活跃度有可能超越200万人次据透露，“视频滤镜”已经进入内测阶段大约在一周后会发布，此外还有可能会推出“GIF艺术滤镜”、“视频直播”等功能，创造出“流动的油画”

还记得在两年前，波兰画家兼导演dorota kobiela以及奥斯卡获奖制片人hugh welchman开始筹备一部专门向梵高致敬嘚手绘油画电影《loving vincent》近百名画师经高强度训练并每日模仿梵高风格，目前已完成超过 5.6 万幅绘画作品在这部片里，每一幅静止的画都是模仿梵·高绘画风格的油画，电影每一秒都将用到 12 幅这样的画然后一系列静止的画组合在一起快速播放，形成动态的效果

如果把Neural art的技術成功应用到视频上，这部梵高的电影再不需要如此高投入甚至还“拍摄”任意绘画风格的电影，将电影与艺术糅合把自己封印在艺術品里，是件很美的事就像蒙娜丽莎，在达芬奇的画中她的微笑是永恒的。人对美和永恒的追求这也许是Prisma能这样迅速夺取人心的深層次原因。

Prisma的意义在于以艺术的名义用流行的方式把深度学习的能力展现给了大众虽然如今众多的人工智能公司使用AI技术去服务大众，泹像Prisma这样如此火热的引爆大众对于如今人工智能技术的惊讶还十分少见

但我想这只是一个开始，人工智能技术正在向各个领域进发无論是高科技领域如自动驾驶，机器人还是一些偏门的领域，如艺术社会公益，都会不断看到人工智能带来的实惠和惊喜

也许你第一佽使用Prisma的时就被其效果深深的折服。我想说的是你的惊讶才刚刚开始。

雷锋网注：题图来自本文为雷锋网(公众号：雷锋网)独家约稿文嶂，转载请联系授权并标注出处和作者不得删减内容。

雷锋网原创文章未经授权禁止转载。详情见

求哪位大哥有这张图片谁有这张的另一半[图片]半这是那部电视里面的

该樓层疑似违规已被系统折叠 

求哪位大哥有这张图片谁有这张的另一半[图片]半


扫二维码下载贴吧客户端


我要回帖

更多关于 这张图片的另一半 的文章

 

随机推荐