Prisma理論篇:火遍朋友圈的修圖工具Prisma的背后是什么?

引子:有段子手言,地球上的人一半在用Pokemon Go追皮卡丘的時候,剩下的一半在用Prisma修圖!這款由俄羅斯創業團隊研發的圖片處理app,從研發到上線僅幾個月就用戶量驚人,更讓人驚訝的是,團隊僅僅只有四個人。這真的可能嗎?



如果你是因為標題黨而進來,謝謝并希望你離開的時候能獲得你想要的干貨;如果你已經猜到了答案,也謝謝你愿意進來驗證你的猜測。

沒錯,火遍朋友圈的修圖工具Prisma的背后就是最近流行的四個字:深度學習。啊對,就是一個深度神經網絡模型,很深很深的網絡模型,大概有19層那么深。(咦這個確實好深啊,貌似那個下圍棋的alphago也就13層~)

不是說干貨么,這就完了?當然不行。那咱能直接跑一個模型玩玩嗎?貌似也不太行。跑這樣一個神經網絡模型,需要你的計算機有一顆強大的心臟(最好有個GPU啥的),然后,你需要安裝一堆lua,torch,caffe,cuda之類的玩意兒。你以為prisma和別的app一樣,是靠你那小手機就能搞出這么炫酷的樣式嗎?非也,它的背后必須有一個強大的云服務器。不信你斷網,再拿prisma試試。

所以,prisma是把你的圖片壓縮好后,用網絡傳送到了他家服務器,然后處理結束再傳給了你。

嗯這還不是特別干的干貨,下面才進入正題。也許你會覺得有點枯燥,不過希望我盡量能講的通俗,你盡量能收點干貨,而那些繁瑣的數學公式和略晦澀的術語我會跳過。


下文主要參考自論文:A Neural Algorithm of Artistic Style(by Leon A. Gatys, Alexander S. Ecker, and Matthias Bethge)

在深度神經網絡的家族里,處理圖片最給力的模型叫卷積神經網絡(Convolutional Neural Network,簡稱CNN)。CNN的每一層結構和一般的NN不太一樣,它的每一層就像一個過濾器,分層次的處理輸入圖像。每經過一層,就會更抽象一些,術語上來說是對上一層的特征提取。所以,每一層都可以看作為一個特征映射(feature maps)。


當CNN被用來訓練識別物體(object recognition)時,研究者構造了一種網絡結構,它可以使物體信息逐層更明顯地提取出來,也就是說,這種網絡結構關心的是圖片內容(content)。每一層的feature maps都可以用來重構圖片,較深層次(high-level)的重構,如下圖第二排d,e,更多的捕捉內容而忽略像素,而較淺的,如下圖第二排a,b,c,僅僅是像素的復制。因此,研究者多采用較深的網絡結構來做內容重構(content representation)。



而CNN模型也同樣可以用來做風格重現(style representations)。這時,研究者使用一種原創設計的特征空間(feature space)來提取圖片的紋理信息(texture information)。feature space會加在每一層過濾層之上,它包含的是不同過濾層處理后的feature maps之間的相關性。這樣處理后得到的僅是圖片的紋理而不是整體布局(global arrangement)。如上圖第一排所示。同樣的,較深的網絡層可以更好的提取紋理而忽略內容。

論文研究者的發現是:content representations和style representations是可以分離的!且重新組合后可以成為一張全新的圖片,它具備名畫(artwork)的風格和我們自己的照片的內容。這就是prisma提供給我們的修圖效果。同時,內容重現和風格重現在重構過程中是可以權衡的(trade-off)。所以,prisma也具備了百分比設置功能,即多大程度保留內容。

而其實這項技術在2015年8月左右就已經在github上公布了,搜索deepdream可以找到。而如今它真的成為了一款流行市場的互聯網產品,歷時將近一年。這從技術開發到面向市場的速率也非常驚人。再看自動駕駛技術,糅合人工智能,AR/VR等技術,雖然如今還事故頻頻,但相信將來也會技驚四座。

以上用一句話概括就是,深度學習實現了藝術內容和藝術風格的分離與重構。雖然這還談不上創造力,但也算art and science的完美結合!這不愧說—— Data scientist is the sexist job of 21st century.

———— END ————

參考鏈接:

https://github.com/jcjohnson/neural-style

http://arxiv.org/abs/1508.06576

https://github.com/google/deepdream

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,825評論 6 546
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,814評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,980評論 0 384
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 64,064評論 1 319
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,779評論 6 414
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,109評論 1 330
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,099評論 3 450
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,287評論 0 291
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,799評論 1 338
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,515評論 3 361
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,750評論 1 375
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,221評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,933評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,327評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,667評論 1 296
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,492評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,703評論 2 380

推薦閱讀更多精彩內容

  • 五、Deep Learning的基本思想 假設我們有一個系統S,它有n層(S1,…Sn),它的輸入是I,輸出是O,...
    dma_master閱讀 1,687評論 1 2
  • 想當年,金戈鐵馬踏破賀蘭山缺,
    徐南北閱讀 186評論 0 0
  • 手繪初學。。。 剛剛買的水彩,剛剛看完的十里桃花,剛剛到來的三月,一切都是那么剛剛好
    Kingsleydu閱讀 359評論 0 0