CVPR 2022｜处理速度仅用0.2秒！港科大&腾讯AI Lab开源基于GAN反演的高保真图像编辑算法

导读

本文介绍了一篇来自港科大和腾讯 AI Lab已被CVPR 2022收录的工作。工作提出了一种新颖的高保真GAN反演框架，该框架能够在保留图像特定细节（例如背景、外观和照明）的情况下进行属性编辑。不仅处理速度能够达每张图 0.2s，还能保证编辑后图像的高保真度与高质量。

论文：https://arxiv.org/abs/2109.06590

代码：https://github.com/Tengfei-Wang/HFGI

主页：https://tengfei-wang.github.io/HFGI/

视频：https://www.bilibili.com/video/BV1Xq4y1i7ev

只需一张照片，这个AI算法就能按照用户需求快速编辑图像属性，下面是AI脑补出照片微笑的样子：

再也不用担心拍照时把握不住微笑的时机了呢。除了表情，年龄、姿态也可以随心所欲变变变：

而且编辑后的图像可以高保真地保留原图的细节，比如背景、光照、装扮。

再从网络上找几张大家熟悉的名人照片试试，十年后的马斯克，假笑男孩Lecun，还有… … 涂了口红的约翰逊？

该项研究已经被CVPR 2022收录。

一、基于GAN Inversion的高保真图像编辑

GAN inversion技术最近被广泛研究，它可以将一张照片映射到一个GAN生成器的隐空间中，从而利用StyleGAN强大的能力对图片进行编辑。目前的GAN inversion方法分为三类：

1. 基于编码器（encoder-based） 这类方法编辑图片的速度很快 （每张图 < 1s），但是编辑后的图片会丢掉很多原图中的细节，保真度低。
2. 基于优化 （optimization-based） 这类方法对每张照片分别迭代，保真度高，但速度很慢（每张图几分钟）。
3. 混合方法 这类方法先用编码器得到一个初始化的隐变量，然后对每个隐变量优化，速度介于基于第一类和第二类之间 （每张图数十秒至数分钟），但依旧缓慢，影响实用性。

这就导致大家在选择模型的时候需要做出权衡和取舍，是选择更快的速度呢，还是选择更高的保真度呢？对于有选择困难的小伙伴来说，简直太纠结了！

那么，本篇论文是如何选择速度和质量的呢？答案是：全都要。养一只会捕鱼（丢失的细节）的熊（补充编码器），就可以鱼和熊掌一块得到啦。在快速处理（每张图 0.2s）的同时，又能保证编辑后图像的高保真度与高质量。

二、方法

在介绍算法之前，作者先分析了基于编码器的方法进行重建或者编辑保真度低的原因。这里提到信息论中大名鼎鼎的率失真理论（Rate-Distortion theory），即对于一个编码-解码系统，隐编码（latent code）的bit-rate对重建信号的保真度（重建信号与源信号的distortion）存在限制。

也就是说，之前的编码器压缩得到的隐编码很小（low-rate），通常是1x512或者18x512，这就会导致在生成器重建过程中必然会损伤掉一些信息，造成较大的distortion，使得重建或者编辑后的图像和原图相比发生失真。

那么，是不是我们直接增大编码器输出隐编码的大小（high-rate），问题就解决了呢？答案是：yes and no。这样做确实可以提升重建图像的保真度，但是我们的目的是对图像进行编辑而不是重建。Low-rate隐编码由于是通过高度压缩的，所以可以编码一些高级、丰富、解耦的语义，这些隐编码在隐空间里通过操控（vector arithmetic）可以方便的编辑图像属性。但对于high-rate隐编码，冗余会造成隐编码耦合，而且编码通常缺乏语义信息（low-level），这就导致图像难以有效编辑。

为了解决这个问题，本文提出了一种名为信息参照（information consultation）的方法，同时利用low-rate和high-rate隐编码。该模型包括两个编码器，基础编码器压缩低率隐编码，用于保证图像的可编辑性；参照编码器对低率重建图像的失真信息进行补充编码，得到一个高率的隐编码，补充丢失的细节信息。

这两部分隐编码在生成器中通过参照融合层（consultation fusion）整合，共同用于图像生成。参照融合层参照下图：

由于缺少成对的编辑图像进行训练，作者还提出了相应的自监督训练方法以及自适应失真校正模块（ADA）。

三、实验结果

论文提供了人脸和车辆照片上的对比结果。首先是和基于编码的方法的对比：

然后是和优化方法以及混合方法的对比：

以及定量对比：

四、更多结果

该方法不仅可以用于图像编辑，也可以用来做视频的编辑，更多结果可以在作者的主页找到：https://tengfei-wang.github.io/HFGI/