比起卡粉、痘痘、油光、手残，新一代年轻人的美来得更容易，快速变美只需要两步。打开美图摆好姿势——解读那句“我为了美而坚持美”。

　　

　　

　　这一年，外貌焦虑和发际线危机不止一次被搬上台面，甚至让人误以为不是为资本或人的思维而创造的。其实这是一个从意识形态到符号结构再到技术的逻辑转换过程。美图公司在后排默默观察。

　　

　　

　　去年9月，美图秀秀推出增发功能，可以补发际线、加刘海。

　　

　　

　　

　　

　　

　　今年2月，美图秀秀发布了《00后图片社交报告》，报告显示00后在被问及“修图最关注的部位”时，没想到00后的用户不仅关注腹肌、锁骨、黑眼圈等细节，还关注发际线的完美。

　　

　　

　　

　　

　　

　　它背后的米托成像实验室。

　　

　　

　　Lab)，目前已经推出了很多头发生成项目，在米托核心产品米托秀秀和海外产品AirBrush都推出了刘海生成、发际线调整、稀疏区域补发等功能。

　　

　　

　　

　　

　　

　　其中，刘海生成功能可以根据自定义的生成区域生成不同风格的刘海。

　　

　　

　　发际线调节功能可以在保持原有发际线风格的同时，调节不同的发际线高度。

　　

　　

　　稀疏区域补发可以在指定区域或智能检测区域自定义调整稀疏区域的头发粗细。

　　

　　

　　MT成立于2010年。

　　

　　

　　Lab是一个致力于计算机视觉、机器学习、增强现实、云计算等人工智能相关领域的研发团队。它深入参与了人脸、美容、美妆、人体、图像分割、图像生成等多个技术研发领域，在米托产品中得到了广泛应用。

　　

　　

　　美图秀秀的人像美颜栏目中的外观修改功能。

　　

　　

　　如今美图秀秀不仅在脸上做“减法”，还开始“加法”，推出面部丰满、出牙、发际线调整、稀疏区域替换等新功能。

　　

　　

　　美图秀秀全牙及面部填充对比。

　　

　　

　　但在落地过程中，如何解决最受关注的头发生成问题，仍然面临着几个亟待突破的关键技术瓶颈：数据匮乏、头发细节不足、清晰度不高。如果你不小心，你的头发会很容易糊。

　　

　　

　　当时，安吉尔大宝贝在电视剧中的抠图效果太假了。

　　

　　

　　首先是生成数据的获取问题

　　

　　

　　以生成刘海的任务为例，生成特定风格的刘海需要大量的刘海数据，但通过采集真实数据来喂养数据其实是一种“体力活动”:有刘海和没有刘海的真实数据很难获得；斜刘海、直刘海、八字刘海等具体刘海数据花费很大。

　　

　　

　　两种方法基本都不具备可操作性。

　　

　　

　　其次是高清图像细节的生成问题

　　

　　

　　要么头发太假，要么看起来像是座机拍的粘贴图片。

　　

　　

　　由于头发部分纹理细节复杂，通过CNN很难生成真实、理想的头发。

　　

　　

　　其中，在成对数据的情况下，虽然可以通过设计Pixel2PixelHD、U2-Net这样的网络进行监督学习，但是这种方法生成的图像仍然非常有限。

　　

　　

　　在不成对数据的情况下，属性一般通过HiSD、StarGAN和CycleGAN生成。用这种方法生成的图片不仅清晰度差，而且存在目标效果生成不稳定、生成效果不真实等问题。

　　

　　

　　没有真实的头发数据，做“假”太假。鉴于上述情况，MT。

　　

　　

　　基于庞大的数据资源和出众的模型设计能力，Lab用StyleGAN解决了头发生成任务面临的配对数据生成和高清图像细节两大核心问题。

　　

　　

　　StyleGAN作为当前生成领域(Gan生成对抗网络)的主要方向，是一种基于样式输入的无监督高清图像生成模型。基于7万张1024*1024高清人脸图像训练数据FFHQ，通过精湛的网络设计和训练技巧，可以生成清晰逼真的图像效果。

　　

　　

　　基于StyleGAN生成的图像。

　　

　　

　　此外，StyleGAN还可以基于样式输入编辑属性，通过编辑隐藏变量来修改图像的语义内容。

　　

　　

　　具体有三个步骤：配对数据生成(毛发生长)-配对数据增益(毛发输出控制)-图像到图像生成(高清)。

　　

　　

　　1.配对数据生成

　　

　　

　　StyleGAN生成配对数据最直接的方式是直接在w空间编辑相关属性的隐藏向量，生成相关属性。隐藏矢量编辑方法包括GanSpace、InterFaceGAN、StyleSpace等。

　　

　　

但这种图像生成方式通常隐含着 属性向量不解耦 的情况，即在生成目标属性的同时往往伴随其他属性（背景和人脸信息等）产生变化。

　　

因此，MT Lab结合StyleGAN Projector、PULSE及Mask-Guided

　　

Discovery等迭代重建方式来解决生成头发配对数据的问题。该方案的主要思路是通过简略编辑原始图片，获得一张粗简的目标属性参考图像，将其与原始图像都作为参考图像，再通过StyleGAN进行迭代重建。

　　

以为头发染浅色发色为例，需要先对原始图片中的头发区域染上统一的浅色色块，经由降采样获得粗略编辑简图作为目标属性参考图像，在StyleGAN的迭代重建过程中，生成图片在高分辨率尺度下与原始图片进行相似性监督，以保证头发区域以外的原始信息不发生改变。

　　

另一方面，生成图片通过降采样与目标属性参考图像进行监督，以保生成的浅色发色区域与原始图片的头发区域一致，二者迭代在监督平衡下生成期望中的图像，与此同时也获得了一个人有无浅色头发的配对数据。

　　

值得强调的是，在该方案执行过程中既要保证生成图片的目标属性与参考图像一致，也要保证生成图像在目标属性区域外与原始图片信息保持一致；还需要保证生成图像的隐向量处于StyleGAN的隐向量分布中，才能够确保最终的生成图像是高清图像。

　　

染浅色头发 StyleGAN 迭代重建示意图

　　

此外，基于该方案的思路，在头发生成领域还可以获取到发际线调整的配对数据、刘海生成的配对数据以及头发蓬松的配对数据。

　　

但是想用补发功能，前提得还没毛光光。不然基于头发原本颜色的补色，系统一律按肤色计算了。

　　

不同肤色做出来的发色不一致（左图为冲浪达人阿怡视频中的网红爷爷）

　　

2.配对数据增益

　　

基于迭代重建，还能够获得配对数据所对应的StyleGAN隐向量，通过隐向量插值的方式还能实现数据增益，进而获得足够数量的配对数据。

　　

以发际线调整的配对数据为例，在每一组配对数据间，可以通过插值获得发际线不同程度调整的配对数据。同样的，两组配对数据间也可以通过隐向量插值获得更多配对数据。

　　

此外，通过插值获得的配对数据也能够生成新的配对数据，基于此可以满足对理想的发际线调整配对数据的需求。