来吧，和Neurons一起，玩点不一样的AI！
还记得童年的哆啦A梦系列为我们带来的神奇工具“六面相机”吗？当你拍摄物体的时候，获得的不只是物体在一个角度上二维平面的投影，而是6个不同角度的照片。虽然看上去特别不可思议，但仍然限于二维平面的图像。今天的Neurons小视频要介绍的，则是更甚一步的黑科技，用深度神经网络，将二维的人像照片立体化，生成面部的三维模型。
想象一下,如果我们能把代表自己的3D人物放进数字电影或者电脑游戏里是多么炫酷！本期的视频就介绍了通过一张简单的照片生成我们面部3D模型的方法。当然，将我们面部的3D几何模型和反照率分布图数字化显然是件极其费时费力的任务。（反照率图指的就是纹理，即一张彩图。它可以描述我们的皮肤是如何反射和吸收光线的）。


从左至右依次是：输入图像、输出反照率图像

从左至右依次是：渲染、渲染（局部放大）

从左至右依次是：渲染、渲染（局部放大）

显然，捕捉这样一幅图像需要很长时间，而且成本很高。所以，我们开发了这样一种黑科技，这项技术可以用一张简单的照片，生成任何一张脸的全数字化图像。我们甚至可以在数字世界中重现历史人物，而我们需要的，仅仅是一张照片。


从左至右依次是：输入2D图像、输出3D面部纹理图像（* 阿里）

拿到一张照片后，这项技术能够生成两张反照率分布图：其中一张是图像完整的低频图，它可以记录下整个面部，但只包含大致细节；而另一张图则包含更多的细节，但它却不完整。大家还记得纹理合成的方法吗?输入非常小的一块具有重复结构的图像，在得知这些结构的统计特性后，就可能让它们无限地继续下去。于是，我们就可以以这张不完整的反照图为基础，尽可能地把缺失的细节合成出来！这篇论文Photorealistic Facial Texture Inference Using Deep Neural Networks的作者借助一种经典的机器学习算法，即卷积神经网络实现了这一点。我们所用的神经网络越深层，就有越多的高频细节出现在输出结果当中，即我们得到的图像就会越清晰。


从左至右分别是逐层叠加五层后形成的愈加清晰的面部效果图

在这篇论文中，你还能看到一份关于使用者研究的详细描述。这份研究是通过众人协作的方式进行的，旨在验证这项技术，包括用户界面和被问到的问题，还有一些与PatchMatch算法的比较。PatchMatch算法是纹理合成领域里程碑式的技术，也被用来修补那些年代久远的名古画。


从左至右依次是：输入、反照率图像、用PatchMatch算法后、最终效果图

看了今天的Neurons小视频，有没有大开眼界呢？通过深度神经网络，AI真正帮我们实现了“脑补”，构建出了人脸虚拟的3D模型，虽然这篇文章里的数据只是应用在人脸的照片上，但是对于其他物体和图像，发展出广阔的应用前景也是指日可待的！
原文发布时间为：2017-10-30
本文作者：Neurons字幕组
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“大数据文摘”微信公众号