人工智能造假图片可以有多真实

随着人工智能的火速发展，如今人们在图像问题上面有了十足的成果了。给大家看几张图，大家可以猜一猜这些图片中哪些是真实的照片，哪些是程序生成的图片？

答案是这些图片都是程序生成的图片，在真实世界是不存在的。

01

—

难在哪里

我们先分析一下AI生成一张接近真实的照片的难度在哪里。AI需要从一堆没有信息的照片开始，通过学习，把这些数据改造成一张十分接近真实的照片。我们将没有信息的初始照片画出来，给大家一个直观的感受：

这张图可以理解成你给程序的输入(事实上它的像素点数要大于实际的输入)，当你想要把它转变成真实生活的照片的时候，你需要把每一个像素点的值都要安排得当，这就是所谓人工智能领域的“高维”问题：(1)一张图片的像素点很多，大家可以去百度图片或者google图片中查看，一般都是几百乘以几百的图片，那下面这个图举例，它是一个1213*529的图片，也就是说总的像素点是1213*529=641677个。

(2)像素点的颜色选择太多，现在图片所用的RGB色彩模式，是通过红(R),绿(G),蓝(B)三种颜色强度叠加得到各种各样的颜色，这三种基本原色的强度由0到255间的256个整数调节，所以每一个像素点的颜色选择是有256*256*256=16777216个。要将数万甚至几十万的像素点中的每个像素点从一千多万种颜色选择出正确的一个，这无疑是一个大大大大海捞针的难度，比中彩票还要难。即便你说真实的图片不需要每个像素点都那么正确，而且真实的照片也有很多种，我们依然在生成一张照片上有着巨大的难度。直到2018年大家才集合了大量计算资源生成我们在文字最开始给大家的图片，而这种成功不仅得益于电脑强大的计算能力，更是得益于生成对抗网络(generative adversarial networks)的诞生。

02

—

生成对抗网络

先跟大家提前做一个约定，我们这个生成对抗网络系列中的“网络”就是所谓的人工神经网络(ArtificialNeural Network)，它是如今人工智能为什么这么火的根基所在，也是生成对抗网络为什么能成功的一大基石。我们今后会开辟另外一个篇章对它做一个详细的介绍。

顾名思义，生成对抗网络是主打对抗概念和生成(图片)功能的网络。这个网络架构中有两个网络，一个是生成器(generator)另外一个是判别器(discriminator)。

如上图所示，生成器接收一个随机噪声信号(random noise)，然后生成假的图片(fake image)；判别器通过对比生成器出来的假照片和训练集(trainingset)中真实照片，判断二者之间的差距。刚开始判别器可以轻易分辨生成器中假照片和现实中的真照片，于是生成器开始提高造假水平，而判别器的“眼力”也随之提升。二者在对抗当中不断提升生成器的水平，直到最后生成器产生的图片可以达到蒙混判别器的水准，那么这个时候对于判别器而言，它也不知道哪个真那个假，真的可以假的，假的也可以是真的。这个便是对抗生成网络的主要思想。

从另一个角度而言，两个网络也扮演了合作的角色，就像是老师和学生一样。只不过这里的老师比较特别，是一个光说不练的主，其本身并不会亲自动手做出东西。学生负责学习画，画完之后给老师看，老师负责告诉学生它的画和大师级别画的差距。学生通过不断训练来提升画作水平，而老师则会在学生每前进一步的时候提出来他和大师画作有多少差距，让学生提高。直到最后，学生学会了画画，老师学会了闭嘴。

03

—

效果如何

文章最开始的照片是目前水平最高的照片之一。我们来看一下2014年，原作当时的效果：

这两个分别是黑白手写数字和彩色真实照片的图片生成，最右边黄色方框中就是生成的图片，而左侧都是学习的对象，虽然跟我们最开始给大家看的照片差距有点大，但是作为开辟者，其已经有者不错的效果了。