AI靠語意理解把照片變抽象畫，無需相應數據集，只畫4筆也保留神韻，有畢加索內味兒了

行早 發自 凹非寺
量子位 | 公眾號 QbitAI

只用幾筆，如何勾勒一只動物的簡筆畫，很多人從小都沒整明白的問題——

如今AI也能實現了。

下面圖中，左邊是三張不同的動物照片，右邊是AI僅用線條來描出它們的外形和神態。

從32筆到4筆，即使大量信息都抽象略去了，但我們還是能辨識出對應動物，尤其是最下面的貓貓，只需4筆曲線也能展示出貓的神韻：

再看這匹馬，抽象到最后只保留了馬頭、馬鬃和揚蹄飛奔的動作，真有點畢加索那幅公牛那味兒了。

更神奇的是，其背后的模型CLIPasso并沒有在速寫畫數據集上訓練——

等于說，沒“學”過怎么畫抽象畫，按照文字描述就能完成簡筆速寫。

要知道，日常速寫都比較抽象，即使是人來畫，要想抓住物體的“靈魂”，也需要經過很久的訓練。

那為什么這個CLIPasso甚至連速寫畫數據集訓練都沒做，就能get到抽象簡筆畫的“靈魂”呢？

其實AI畫抽象簡筆畫比人更難。

既要準確地理解語義，又要在幾何上相似，才能讓抽象畫看起來有“像”的感覺。

具體實現上，模型會根據圖像的特征圖先生成初始線條的位置，然后靠CLIP構建兩個損失函數，來控制抽象畫幾何相似、語義理解準確。

其中CLIP就是OpenAI發布的一個重排序的模型，它會通過打分排名來篩選出和文字匹配度最高的圖片。

這樣一來，CLIPasso的整體結構就比較清晰了：

例如我們要畫一匹馬，首先通過特征圖（saliency）標記一些初始線條（S₁，S₂…S_n）的位置。

然后通過光柵化（Rasterizer）把線條投影到成像平面：

接下來就是優化線條參數了。把初始圖像導入CLIP模型，計算幾何損失（L_g）和語義損失（L_s）。

其中語義損失通過余弦相似度來判斷兩圖的差異，而幾何損失通過中間層來控制。

這樣就能保證在準確理解語義的情況下保持幾何準確，再通過反向傳播不斷調整線條參數，直到損失收斂。

那速寫的抽象程度是怎么控制的呢？

就是靠設置線條的數量。

同樣畫一匹馬，用32筆去畫和只用4筆去畫，抽象效果肯定是不一樣的：

最后，我們來看一下CLIPasso畫出的畫辨識度怎么樣。

下圖中這個柱形圖代表的是五類動物的辨識準確度。

不過在猜測的時候還有第六個選項：這五種動物都不是。

從圖中可以看出，無論什么動物，在高度抽象的時候（4筆畫），辨識度都很低，隨著筆畫越來越多，辨識度也會逐漸提高。

畢竟這么抽象的畫，看不出來是啥也很正常。

但是，模型團隊在第二輪測試辨識度時刪除了第六個選項，也就是必須從這五個動物類型中選一個歸類。

這時，我們從下面的柱形圖中可以看到，即使是高度抽象的4筆畫，辨識度也提高了不少，從36%提到了76%。

這就說明了之前辨認不出是太抽象導致的，AI畢加索的畫仍然抓住了動物的核心特征。

目前這個模型已經出了colab版本，只需在左側文件夾中添加你想要抽象化的圖片，然后運行三個部分即可得到輸出照片。

CLIPasso團隊成員主要來自洛桑聯邦理工學院、特拉維夫大學等。

其中Jessica是蘇黎世聯邦理工學院機器人方向的碩士研究生，目前在洛桑聯邦理工學院的計算機視覺實驗室VILAB實習。

而Yale Vinker是特拉維夫大學計算機科學的博士研究生，對藝術和技術的交叉領域非常感興趣，也難怪CLIPasso有這么豐富的藝術細胞。

參考鏈接：

[1]https://clipasso.github.io/clipasso/
[2]https://colab.research.google.com/github/yael-vinker/CLIPasso/blob/main/CLIPasso.ipynb#scrollTo=L7Cp8FFHx3VG

本文來自微信公眾號 “量子位”（ID：QbitAI），36氪經授權發布。