Re: [討論] 高橋聖子 馬賽克破壞
※ 引述《silverair (那真是太諷刺了紹安)》之銘言:
: ※ 引述《VScode (VSisBestIDEinTheWorld)》之銘言:
: : 有人說這是靠算法猜出來的
: : 原始的像素都已丟失
: : 如果真的是靠算法逆推回來的
: : 那高橋的手指是怎麼算出來的
: : 男優做上下包皮的動作
: : 也完整符合他的手臂運動
: : 要哪裡找來的屌 還能符合他的包皮上下頻率的
: : 怎麼看都是馬賽克被破解了
: : 而不是靠算法腦補的
: : → yobe: 可以看看這篇https://zhuanlan.zhihu.com/p/27199954 看不懂 07/18 21:54
: : → VScode: 看了y大那篇 看來是訓練模型原圖跟上碼的圖的差別 07/18 21:59
: : → VScode: 再把還原的步驟套到想破解的影片上 07/18 22:00
: : → VScode: 所以不是拿別人的圖合成的 大家可以開心尻啦 07/18 22:01
: 基本上這個東西就是文章內講的GAN
: 以我之前嘗試的沖田杏梨換成統神臉來舉例
: https://www.youtube.com/watch?v=5FmdMvaW884
: 這種東西要說是還原並不正確
: GAN是你給他素材讓他自己去訓練,然後他會逐漸train到最少的loss(最優的結果)
: 本質上來說,他還是拿別人的圖來合成
: 只是把圖預處理過了。
科普一下GAN的原理
GAN的中文是生成對抗網路,是深度學習技術的一種延伸,首先我們來非常粗淺
的談一下深度學習,其實深度學習就是過去的類神經網路,所以在談深度學習之
前又要談一點類神經網路,但類神經網路其實是模擬生物的神經網路的產物,所
以又必須談一點生物神經網路。
所以先來談生物神經網路的概念,簡單來說,生物神經網路可以被視為一種電子
訊號的傳遞網路,以視覺為來,最前端的就是我們整個眼珠,從最外層的角膜開
到視網膜之前,都是在調整處理輸入到我們眼睛中的光線,而最終光線投影到視
網膜上,視網膜會將投影結果轉換成神經電子訊號,是一種光-電訊號的轉換,
接著,這些電子訊號會經過神經網路中的各種神經元,每個神經元都有自己的功
用,比如說某個神經元處理對於紅色比較敏感,有些神經元對於綠色比較敏感...
...這一大堆信號,會經過我們的龐大神經網路中的神經元經過各種調整,過濾
最終在我們的大腦視覺中樞,最終的信號,可以讓我們用來成像。此外,這些信號
也會被導入到其他的認知中樞,比如,我們能判斷他們邊緣,輪廓,判斷他是不是
我們認識的人,是好人還是壞人,是男人還是女人。
雖然成像是我們先天就會的,但是其他更抽象化的辨別,卻是後天經過我們學習
所影響的,而這個學習過程,會對我們的所有神經細胞產生影響。儘管這個影響
的機制目前還不明確,類神經網路的目標,就是嘗試用數學的方式,模擬出人類
神經網路的學習過程,所以稱之為類神經網路。
那什麼是深度學習?首先要知道的是,大腦內的神經元數量級是10^10方等級的數
量,大約860億個,這即使對現在電腦來說,也絕對不是一個很容易就能計算的數
據。所以傳統的類神經網路,只有三層:分別是輸入層,隱藏層,跟輸出層。
輸入層,以視覺來說,就是視網膜,輸出層也就是大腦神經中樞,那些視覺信號成
像,作判斷的區域,而中間的那些神經元,就是隱藏層。由於過去運算能力限制,
隱藏層被限定在只有一層,因為以當時的計算能力,多層隱藏層在實際上的計算
以及儲存的需要都太龐大,無法實際應用,只有在超大型的主機上才有機會使用。
然而,在GPU的發展以及雲端架構的成本降低,讓一般繪圖顯示卡也可以承擔計算
多層隱藏層的計算負擔。所以,所謂的深度學習,不是你的學習很有深度,而是
這個類神經網路的隱藏層數量 > 1。
https://i.imgur.com/EGAGuI5.png
那所謂的計算,又是計算什麼呢?我們可以這樣想像,每個神經元可以接收來自上
一層的信號,像上面這張圖,這個信號介於0-1之間,至於要怎麼把信號變成0到1之
很簡單,作標準化就好了,以一張黑白灰階圖片為例,每個像素的灰度從0-255,這樣
我們只要把每個像素點/255,每個輸入層的節點就是0-1之間的浮點數(小數)。
接著,每個神經元都會有一個觸發函數,以及神經元權重,根據前一級收到的信號,
每個神經元經過觸發函數以及權重的計算,產生輸出信號給下一級,以此類推,最終
輸出層會把最終的信號會整座最後的判斷:回歸(預測一個數字)或是分類,根據分
類以及回歸結果,輸出層之前一層先前預測的正確狀況,讓前一層修正其權重,這
種往前回報的修正過程,稱之為倒傳遞,也就是神經網路的學習過程。
那麼GAN是什麼?所謂的「對抗網路」是真的有兩個網路對抗。一個叫生成器
(Generator),一個叫鑑別器(Discriminator)。這個生成器,就是負責利用深度學習
來成像,簡單來說,你想像一下,一眼看著三上悠亞,一眼看著韓國瑜,然後在
心中想像如果三上悠亞的臉變成韓國瑜的光頭,會是怎樣。然後你想像出了一個樣子
,告訴鑑別器,用深度學習來預測類別機率(人/不是人,鮑/不是鮑),在我們的例子
裡面,也就是你的性心裡中樞,這張照片還可以讓你有性衝動打出來嘛嘛?有,那就
合成結果還不夠像韓國瑜,然後你又多看了幾個三上悠亞的片子跟韓國瑜的照片,在
心中想像又做了修正,然後再打一次手槍,還打得出來?那就是還沒合成功,就在多
看一次...以此類推,最終有一天你會合成出一張很完美的合成圖片,讓你完全軟屌
,打不出來,那麼,這個生成器的神經元權重就是最好的神經元權重,這個生成器
可以完美的把韓國瑜的頭換到三上悠亞頭上而且你看不出破綻,讓你即使看到三上悠
亞完美的膧體但是一滴洨也流不出來,恭喜你完成了GAN的訓練了,從此以後你看到
三上悠亞的片子都能完美的把三上悠亞的臉換成韓國瑜。
以上就是對於GAN生成對抗網路的補充,有什麼錯誤請指正。說起來很簡單,但實務上
是非常困難而且很花時間的工作。
--
~四十八個德瑞克~http://blog.derekhsu.net
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 152.78.0.160 (英國)
※ 文章網址: https://www.ptt.cc/bbs/japanavgirls/M.1563561975.A.751.html
推
07/20 02:50,
4年前
, 1F
07/20 02:50, 1F
推
07/20 02:51,
4年前
, 2F
07/20 02:51, 2F
推
07/20 03:25,
4年前
, 3F
07/20 03:25, 3F
推
07/20 03:29,
4年前
, 4F
07/20 03:29, 4F
→
07/20 03:49,
4年前
, 5F
07/20 03:49, 5F
推
07/20 03:58,
4年前
, 6F
07/20 03:58, 6F
推
07/20 05:00,
4年前
, 7F
07/20 05:00, 7F
推
07/20 05:12,
4年前
, 8F
07/20 05:12, 8F
噓
07/20 05:17,
4年前
, 9F
07/20 05:17, 9F
推
07/20 05:27,
4年前
, 10F
07/20 05:27, 10F
推
07/20 05:39,
4年前
, 11F
07/20 05:39, 11F
→
07/20 05:39,
4年前
, 12F
07/20 05:39, 12F
推
07/20 06:25,
4年前
, 13F
07/20 06:25, 13F
推
07/20 06:27,
4年前
, 14F
07/20 06:27, 14F
推
07/20 06:54,
4年前
, 15F
07/20 06:54, 15F
推
07/20 08:08,
4年前
, 16F
07/20 08:08, 16F
→
07/20 08:31,
4年前
, 17F
07/20 08:31, 17F
推
07/20 08:31,
4年前
, 18F
07/20 08:31, 18F
推
07/20 08:33,
4年前
, 19F
07/20 08:33, 19F
推
07/20 08:53,
4年前
, 20F
07/20 08:53, 20F
推
07/20 08:56,
4年前
, 21F
07/20 08:56, 21F
推
07/20 09:29,
4年前
, 22F
07/20 09:29, 22F
→
07/20 09:37,
4年前
, 23F
07/20 09:37, 23F
推
07/20 09:49,
4年前
, 24F
07/20 09:49, 24F
推
07/20 10:02,
4年前
, 25F
07/20 10:02, 25F
推
07/20 10:03,
4年前
, 26F
07/20 10:03, 26F
推
07/20 10:08,
4年前
, 27F
07/20 10:08, 27F
推
07/20 10:17,
4年前
, 28F
07/20 10:17, 28F
推
07/20 10:21,
4年前
, 29F
07/20 10:21, 29F
推
07/20 10:32,
4年前
, 30F
07/20 10:32, 30F
推
07/20 12:30,
4年前
, 31F
07/20 12:30, 31F
推
07/20 13:03,
4年前
, 32F
07/20 13:03, 32F
推
07/20 13:06,
4年前
, 33F
07/20 13:06, 33F
推
07/20 13:14,
4年前
, 34F
07/20 13:14, 34F
推
07/20 13:43,
4年前
, 35F
07/20 13:43, 35F
推
07/20 14:16,
4年前
, 36F
07/20 14:16, 36F
推
07/20 14:52,
4年前
, 37F
07/20 14:52, 37F
推
07/20 14:59,
4年前
, 38F
07/20 14:59, 38F
推
07/20 15:59,
4年前
, 39F
07/20 15:59, 39F
推
07/20 16:15,
4年前
, 40F
07/20 16:15, 40F
推
07/20 16:19,
4年前
, 41F
07/20 16:19, 41F
→
07/20 16:46,
4年前
, 42F
07/20 16:46, 42F
推
07/20 16:49,
4年前
, 43F
07/20 16:49, 43F
推
07/20 17:00,
4年前
, 44F
07/20 17:00, 44F
推
07/20 20:16,
4年前
, 45F
07/20 20:16, 45F
推
07/20 20:23,
4年前
, 46F
07/20 20:23, 46F
推
07/20 21:15,
4年前
, 47F
07/20 21:15, 47F
推
07/21 01:13,
4年前
, 48F
07/21 01:13, 48F
推
07/21 07:16,
4年前
, 49F
07/21 07:16, 49F
推
07/21 11:12,
4年前
, 50F
07/21 11:12, 50F
推
07/21 12:02,
4年前
, 51F
07/21 12:02, 51F
推
07/21 15:27,
4年前
, 52F
07/21 15:27, 52F
推
07/21 17:27,
4年前
, 53F
07/21 17:27, 53F
推
07/21 19:59,
4年前
, 54F
07/21 19:59, 54F
→
07/21 20:48,
4年前
, 55F
07/21 20:48, 55F
→
07/21 20:48,
4年前
, 56F
07/21 20:48, 56F
推
07/22 04:58,
4年前
, 57F
07/22 04:58, 57F
→
07/22 09:47,
4年前
, 58F
07/22 09:47, 58F
推
07/23 00:38,
4年前
, 59F
07/23 00:38, 59F
推
07/23 08:53,
4年前
, 60F
07/23 08:53, 60F
推
07/23 14:09,
4年前
, 61F
07/23 14:09, 61F
推
07/23 15:39,
4年前
, 62F
07/23 15:39, 62F
→
07/23 15:39,
4年前
, 63F
07/23 15:39, 63F
推
07/24 13:45,
4年前
, 64F
07/24 13:45, 64F
討論串 (同標題文章)