一種用神經網絡從真實照片中生成蘋果Memoji表情的方法

在今年六月份舉行的WWDC18大會上，蘋果介紹了全新的升級版“Animoji”——Memoji，用戶可以選擇不同的發(fā)型、五官和膚色來定制自己專屬的表情符號，例如選擇不同的膚色、發(fā)型甚至雀斑，并且有多種顏色。

但是，選擇畢竟是有限的，在多種樣式中對比查找也有一定難度，那么是否有一種算法可以根據照片生成Memoji呢？

在這篇博文中，我們將介紹一種用神經網絡從真實照片中生成蘋果Memoji表情的方法。具體來說，我測試了用于人臉識別的網絡VGG16 Face，將真實照片與Memoji進行對比。之后我用它選擇各種特征，為新目標創(chuàng)造Memoji表情。本文原作者為Pat Niemeyer，以下是論智的編譯。

上圖是神經網絡生成的兩個結果。在實際操作過程中，我們的工作會受到以下幾點因素的影響：

人像卡通化

第一個問題就是：某人的“卡通版本”是什么樣的。卡通漫畫通常會放大某人最明顯的特征，但是類似發(fā)型之類的其他特征區(qū)別不是很明顯，并且發(fā)型的類型非常多。經過訓練辨認人臉的神經網絡會以抽象方式捕捉到某人的發(fā)型信息，從而進行轉化。反過來說，這也意味著從抽象信息中生成發(fā)型并不是一個理想的好方法。

膚色和發(fā)色

在不同光線條件下推測照片中人物的膚色非常困難，在我的測試中，網絡通常會選擇膚色更淺的區(qū)域，并且不能區(qū)分現實和非現實情況。同樣，雖然測試設備在分辨暗色和亮色頭發(fā)的任務中表現不錯，但是當照片中的頭發(fā)顏色更鮮艷，這一方法或多或少地可能失敗。

這里推薦一篇文章，其中用到的對人臉特征和膚色進行規(guī)范化的工具非常酷：Synthesizing Normalized Faces from Facial Identity Features。

No API

想用Memoji做實驗遇到的最大挑戰(zhàn)就是，目前沒有可用的API能夠程序化創(chuàng)造它們（沒有直接的方法可以讓我們在iOS中自動進行創(chuàng)造）。所以，當我們想搜索可能的Memoji作為生成過程的一部分時，這一過程變得極為低效。理想狀態(tài)下，我們想用一個通用算法徹底調整各特征的組合，而不是獨立處理，但這在簡單的實驗上是無法做到的。

照片選擇

選擇哪張照片作為參考材料對結果有很大的影響，在有些情況下，一些照片會比其他的生成更好的結果。理想的照片應該是裁剪合理、臉朝向前方、最具代表性的照片。對于每一特征，我都會根據至少四張人臉圖像進行打分。

網絡設置

VGG

VGG是圖像識別中常用的卷積神經網絡架構，VGG Face是該架構經過人臉識別訓練后的工具。它的創(chuàng)作者已將完全訓練后的網絡開源，大大方便了我們的實驗，因為從零訓練一個這樣的網絡通常需要大量數據和計算時間。

VGG Face

Torch

另外在測試時，我用到了Torch科學計算框架。Torch提供了運行VGG模型所需要的環(huán)境，并且基于Lua提供了腳本環(huán)境，同時還有用于數學計算的庫和基礎搭建模塊，可用于神經網絡的圖層。

Torch可以自動下載VGG Face模型，并且只需幾行代碼就能運行一張圖片?；A流程如下：

-- Load the network

net = torch.load('./torch_model/VGG_FACE.t7')

net:evaluate()

-- Apply an image

img = load_image(my_file)

output = net:forward(img)

其中下載圖像和對圖像規(guī)范化的步驟代碼可以在源代碼中找到。

圖層

如上圖所示，VGG有很多不同類型的圖層，首先是一個能保存RGB圖像數據的Tensor，它應用了多種卷積、池化、權重和其他類型的變換，隨著每個圖層學習更多抽象特征，數據的“形狀”和維度都在變化。最終網絡會在最后一層生成一個一維的、有2622個元素的預測向量。該向量表示真人與網絡訓練結果匹配成功的概率。

在我們的案例中，我們不關心這些預測結果，而是想利用網絡比較自己數據集中的抽象人臉。為了做到這一點，我們可以利用預測圖層下的圖層的輸出，該圖層包括了4096個元素向量，對人臉特征進行組合定制。

output = net.modules[selectedLayer].output:clone()

雖然VGG16的標準是16層的框架，但實際上在Torch中實施后生成的是具有40個模塊的設置。

相似度

接下來，我們會向網絡中輸入成對的圖片，然后用一種簡單的相似度尺度比較它們的輸出。其中比較兩個大型數字向量的方法是利用點積：

torch.dot(output1, output2)

這就生成了一個表示向量在高維空間中“對齊”程度的標量值。

對于這一測試，我們想將生成的Memoji和多張參考圖像對比，生成最終結果。所以我只需將每一對圖像的值進行正則化，取平均分數。

sum = 0

for i = 1, #refs do

localref = refs[i]

local dotself = torch.dot(ref , ref)

sum = sum + torch.dot(ref, target) / dotself

end

...

return sum / #refs

正則化表示將一張圖像和它本身相比的分數為1，那么之后的分數越接近于1，說明相似度越大。

除此之外，我們還能用到很多其他類型的衡量尺度。常用的兩種可能是歐幾里得距離或計算兩輸入之間的平均方差。

首次測試——The Lineup

首先我想知道，這一人臉網絡能否在所有照片上生成對應的Memoji。首先，我隨機收集了63張Memoji圖像，大部分是蘋果的設計原型。

之后我選擇了一個Memoji，然后讓網絡選出前三名相似度最高的表情。

結果非常不錯！不僅僅它能找到完全一樣的Memoji（得分為1），第二第三名看起來也很相像。

真實照片

現在我們要進行“真實性”檢測：我們讓網絡根據真實相片找到相似的Memoji，結果如下：

由于只能在有限的數據集中選擇，所以結果并不如我們期待的那樣好，可以看到分數都很低。

生成過程

接下來，我嘗試讓網絡挑選特征創(chuàng)造全新的Memoji。正如上文提到的，在iOS中并沒有能自動創(chuàng)建Memoji的途徑，所以我決定編寫腳本促進Memoji的生成。

我將手機和電腦連接，用QuickTime Player的錄制功能將這一過程保留下來。

但這一方法并不理想。首先，操作起來很復雜，光發(fā)型就有93種，運行一遍需要大量時間。更重要的是，我們每次只能評估一個特征的不同。理論上，我們可以不斷地重復選擇樹，進行迭代，知道網絡認為沒有什么變化時才能停止。但是這種方法也不完美，很有可能只是一個“部分最小值”。

另外，照片中人物頭像細微的移動就會影響分數。最后，我發(fā)現了一個簡單的解決方法。

結果

在文章未完成前，我其實沒有采用網絡得出的川普中的發(fā)型，而是手動選擇了一個分數最高的，覺得那個更適合他。但是最后我還是堅持展示出所有網絡得出的結果。

所以，有的時候排名前三的將結果并不總是相似的。例如，以下就是川普發(fā)型的排名：

但是，奧巴馬耳朵的排名卻很靠譜，又大到小分數逐漸降低：

不過眼睛的選擇卻有些不同：

但是川普的眼睛就比較一致了：

發(fā)色

前面說到，頭發(fā)的顏色因為光線問題會難以確定。川普和奧巴馬的頭發(fā)還比較好確定，但是有些情況下，網絡總會把很亮的顏色看作灰色：