雷锋网AI科技评论按：最近二次元爱好者们可能会感觉到了一阵兴奋流遍全身。来自复旦大学、同济大学、卡内基梅隆大学和石溪大学共6位学生（其实本科都在复旦）搭建了一个利用人工智能自动生成精美动漫角色的网站MakeGirls.moe。
对于用户来说操作非常简单，只需要选择自己喜爱的头发、眼睛、微笑、张嘴等等特征，然后点击“genrate”就可以通过训练出的AI模型来生成一个动漫人物。该网站上线后数天，访问量便增加到10k+每小时。其repo在github trending上也一度排到第四位。该网站所使用的技术在其论文《Create Anime Characters with A.I. !》中进行了详细说明。
其实这并不是第一个将AI应用到动漫当中的模型。2015年Soumith Chintala等人开发DCGAN后不久，就有人将DCGAN应用到了生成动漫角色当中，出现了ChainerDCGAN、IllustrationGAN和AnimeGAN等，三者分别使用了Chainer、TensorFlow和PyTorch的框架，它们本质上都是DCGAN，只是实现方式不同。但这些模型的效果并不是很好，尤其是会出现面部头像模糊和扭曲的问题。在MakeGirls.moe的模型中，作者针对这些问题做出了两方面的改进。
一、使用更高质量的图像库
之前几家，他们训练模型所使用的数据集大多数是使用爬虫从网络上爬下来的，这类图片在质量和画风上参差不齐，甚至还有一些背景。训练数据集质量的低下会给训练造成很大的影响。本文的作者则通过从日本的游戏贩卖商Getchu购买了高质量的图像，这些图像基本出于专业画师之手，同时背景统一。
除了高质量的图像外为了训练网络模型，作者使用了一种基于CNN的图像分析工具Illustration2Vec，对图像中动漫人物的属性，如头发颜色、眼睛颜色、发型和表情等做标记。
此外，在训练的过程中他们还发现发布时间越晚的图片，训练出的模型效果越好。这不难理解，随着游戏角色制作和CG技术的发展，越是现代的图片，细节越丰富，如阴影和头发。所以作者舍弃了2005年之前的全部数据，并过滤掉分辨率低于128*128的图像，用剩下的31255张高质量图像进行训练。
二、模型结构
作者采用了今年5月份发表的DRAGAN模型（https://arxiv.org/pdf/1705.07215.pdf），这种模型所使用的计算量相对较少，收敛较快而且能够产生更稳定的结果。而在优化生成器的过程中，受ACGAN的启发，不仅向生成器提供了标签数据，连“噪声”数据也一并提供，之后再为判别器增加多标签分类功能。
下面展示一下效果——
虽然训练出的模型大多数时候都比较好，但该模型仍然存在一些缺点。问题仍出在数据集中，由于训练数据中各个属性（发色、发型、眼镜、帽子等）的数量分布不均匀，某些属性的生成并不理想（例如眼镜和帽子常常不能生成） ，如果将某些罕见的属性组合，生成的图片甚至会崩溃（例如帽子+眼镜）。也许当增加数据集的数量，训练出的模型生成图片质量可以进一步提高。雷锋网(公众号：雷锋网)认为，按照此趋势AI或许在不久将替代掉插画师的一部分工作。
本文作者：Camel
本文转自雷锋网禁止二次转载，原文链接
