近日，国外Uber软件工程师开发并上线了一个网站thispersondoesnotexist.com，意为该人并不存在。网站浏览者每刷新一次网站就会生成一个逼真的人脸，而这些人并不是现实中真实存在的。

该网站背后的机器学习和预训练模型技术源于NVIDIA的研究项目StyleGAN（A Style-Based Generator Architecture for Generative Adversarial Networks），论文已于2018年12月在线发表。

StyleGAN是基于GAN的生成对抗网络，借用了风格迁移的思路重新设计的。英伟达官方还开源了StyleGAN的代码，参见https://github.com/NVlabs/stylegan。

StyleGAN 架构

StyleGAN不止能生成人脸，英伟达还提供了猫、汽车、卧室的预训练模型。

实际效果展示：

人物自然，背景自然，边缘又自然。足以骗过我这个普通人类的肉眼了。

输入两张图，图A决定生成人物的性别，年龄，头发长度，以及姿势；一张决定其他一切因素：比如肤色、发色、衣服颜色等等。

这样，就可以把图B的一部分人物特征，迁移到图A上了：

不过，人脸的朝向和表情，还是A的。

就算人种发生剧烈变化，也丝毫不会违和。你看，把非裔人类的脸部特征“移植”给四位白种人，嘴唇的厚度、鼻子的形态，以及额头，都有明显的变化。

这是粗糙尺度 (Coarse Styles) ，也是三种尺度中最大规模的调整，会涉及脸部朝向的变化，脸型和发型也是在这里调整的。

然后看看中间尺度 (Middle Styles) ，调整仅限于面部特征和发色发量了，姿势、发型、脸型都不会有明显变化。

再来就是精细尺度 (Fine Styles) ，只是调整图像的配色，几乎不会给人物变脸了。

StyleGAN就像风格迁移算法一样，把一张图像，看做许多风格 (Styles) 的集合。

每种风格都会在一个不同的尺度 (Scale) 上控制图像的效果：

· 粗糙 (Coarse Styles) ：姿势、头发、脸型。

· 中度 (Middle Styles) ：面部特征、眼睛。

· 精细 (Fine Styles) ：配色。

三者组合在一起，才是最终的生成结果。

调节不同“风格”，就可以在不同尺度上调节人脸图片。

代码实现参见https://github.com/NVlabs/stylegan

论文：https://arxiv.org/abs/1812.04948