Nvidia 英伟达的人脸面部表情方法真的是GAN-风格。
一种新的生成性对抗网络方法让技术观察者摸不着头脑：图像如何虚假而又看起来如此真实？
研究人员在一段视频中说：“我们想出了一种新的发生器，可以自动学习分离图像的不同方面而无需任何人为监督。” 他们在他们的论文中指出，“新架构导致了自动学习，无监督的高级属性分离。”
基于样式的生成器（config F）使用FFHQ数据集生成的未经计算的图像集。
让假照片看起来真实是一种艺术上的努力，这并不是什么新鲜事，但这三位研究人员将努力提升到了一个新的水平。
他们在他们的论文“用于生成对抗网络的基于样式的生成器架构”中阐述了他们的技术。 这篇论文是关于arXiv的，它引起了很多关注。
Big Think的斯蒂芬约翰逊说结果“非常令人吃惊”。 麻省理工学院技术评论中的Will Knight说我们所看到的是“惊人的，几乎令人毛骨悚然的现实主义”。
研究人员Tero Karras，Samuli Laine和Timo Aila来自Nvidia。 他们的方法侧重于构建一个生成的对抗网络，即GAN，在那里学习可以生成模仿真实照片外观的全新图像。
作者说，这个视频中的所有图像都是由他们的发生器产生的。 “他们不是真人的照片。”
他们的论文“骑士说，”展示了如何使用这种方法，并重新混合种族，性别，甚至雀斑等元素。
魔术酱是他们的基于风格的发电机。 Big Think将此解释为用于自动生成图像的传统技术的修改版本。
他们的技术正在弄乱你的头，笑到最后（或者说，无论你怎么看）。
你作为一个人类认为“图像”。 然而，发电机认为“风格集合”。
每种风格都以特定的比例控制效果。款式粗犷，款式中等，款式精美。 （粗略的样式指的是姿势，头发，脸型;中间的样式指的是面部特征;眼睛。精细的样式指的是配色方案。）
与此同时，Will Knight对GAN进行了一些观察：“GAN使用两个决斗神经网络来训练计算机，以便足够好地学习数据集的性质以产生令人信服的假货。当应用于图像时，这提供了一种经常高度生成的方法逼真的伪造。“
通过使一个潜在代码（源）生成的样式覆盖另一个（目标）的样式的子集，可视化生成器中样式的效果。
约翰逊提供了GAN概念的背景：
“2014年，一位名叫Ian Goodfellow的研究人员和他的同事写了一篇论文，概述了一种新的机器学习概念，称为生成对抗性网络。简单来说，这个想法涉及将两个神经网络相互对立。一个充当发现者的视角比方说，狗的图片，然后尽力创建一个它认为狗的样子的图像。另一个网络充当鉴别器，试图从真实的图像中辨别假图像。
说到计算机视觉功能的发展用例，谷歌曾经在2017年发布了一款AI硬件纸盒套件（也是旗下AI开源项目(AIY Projects)的作品）。其中，AIY Vision Kit 就是一套简单的计算机视觉系统，它可以检测几千种常见物体，也可以对人类的脸部表情进行检测，并显示出情绪，比如微笑、皱眉、愤怒、开心等等。它还可以识别人、猫、狗。这些都得益于神经网络技术。
“起初，发生器可能会产生一些看起来不像狗的图像，因此鉴别器会将它们击落。但是发生器现在知道它出错的地方，所以它创建的下一个图像稍微好一些。 从理论上讲，发电机一直持续到造成狗的良好形象。“
Nvidia的团队将风格转移原则添加到GAN组合中。
TechCrunch中的Devin Coldewey：“汽车，猫，风景 - 所有这些东西或多或少都符合可以单独隔离和再现的小型，中型和大型功能的相同范例。”
从技术角度来看，他们的作品在看起来真实的人的图像中得到了令人印象深刻的结果。 从流行的观点来看，通过谈论虚假新闻加剧，这种进步被认为是危险的。 约翰逊说：“生成逼真的人工图像的能力，通常被称为深度伪造，当图像看起来像可识别的人时，近年来引起了人们的关注。”
技术观察网站页面上充斥着关于“令人毛骨悚然”的评论，有些评论只是问题：“我们为什么要这样做？” “谁来支付它？” “如果我们不建立监管界限，我认为人类历史的下一场重大战役将与我们创造的人工智能进行斗争（并可能失败），”一位回应说。
尽管如此，并非所有评论都反映出不安。 这是一项技术进步，一些评论指出，应用程序可能对某些部门有所帮助。 设计师，广告代理商创建者，甚至视频游戏创作者都可以使用这项技术。
“这些人工智能生成的面孔有望在视频游戏和电影中引入新一代逼真的人，而不需要人类演员或演员，”HotHardware说。
