现在，人们可以输入图像的高细节描述，从而获得与给定文本相对应的逼真图像。
也可以将一幅图像从低分辨率转为高分辨率，为图片生成一系列生动细节。
神经网络似乎有无穷的能力。那么，这些方法是否能用于时光穿梭呢？
例如，你有没有想过，如果你自己的照片是在五十年或一百年前拍摄的，会是什么样子？如果你最喜欢的男演员或女演员出生在一个与他们完全不同的时代，他们会是什么样子？
时光穿梭第一步：解决数据集难题
鉴于最近StyleGAN在高质量人脸合成和编辑方面的成功，许多工作都集中在使用预先训练好的StyleGAN模型进行人像编辑。
然而，现有的技术通常会处理定义明确的语义属性。例如，添加或删除一个微笑或修改图片中人像的年龄。
这项工作背后的逻辑是保持这些构成一个人身份的属性不变，与此同时，用这辆人工智能的马车送他们回到过去或去往未来。
在这种情况下，人们面对的主要问题是缺乏合适的数据集。众所周知，即使有完美的神经网络模型，数据集仍然是每个人工智能研究者的噩梦。
数据不平衡、不充分或不可用是深度学习领域常见的问题，会导致数据偏见或结果不准确。
为了克服这个问题，来自康奈尔大学的华裔科学家Eric Ming Chen（左2）主导的研究团队创建了FTT（穿越时光的人脸）数据集。
Chen与来自佐治亚大学的华人科学家Jin Sun等人共同发刊，详细解释了「穿越时光的人脸」数据集的运作原理。
该数据集中的图片来自维基共享资源（Wikimedia Commons）。该平台拥有众包和开放许可的五千万张图片。FTT分析了26,247张19至21世纪的肖像，平均每十年大约有1,900张图片。
GANs父子层次结构，化身AI「时光机」
这些变化是如何实现的呢？
研究团队借助了StyleGAN（生成对抗网络）父子层次结构。特殊之处在于，他们没有选择训练一个涵盖所有年代的单一模型，而是为每十年的图像集添加一个子模型，通过训练模型集更好地综合每个时期的数据分布。
同时，为了保留被描述者的身份和姿势，研究团队采用一个父模型，将这些信息映射到隐空间向量中。
首先，训练一个StyleGAN模型集，每个年代各设置一个，使用对抗性损失和身份损失来训练一张混合人脸图。这张人脸图是子模型的输出，经过修改后，该混合图与父模型的颜色相似。
研究团队提示，在此过程中，有必要避免由于ArcFace（一种流行的面部识别模型）中的特征计算导致的身份损失的不一致性。由于ArcFace模型只在现代图像上训练，研究人员发现它在历史图像上的表现很差。
之后，每张真实图像被投射到十年流形上的一个向量w上（下图中的1960）。在该向量上，生成器G′t被训练来将精细化细节转移到所有的子模型上。最后，在输入图像上应用一个掩码，以鼓励模型保留人像的面部细节。
在微调全部子模型后，研究团队发现，FTT的不同年代的子模型（下图橙色）在发型、妆容发生改变的同时，都成功捕捉到父模型中（下图蓝色）每张图片的人像特征。
这项全新的合成图像框架有两大亮点：首先，它使人像穿越时光的愿望成真；其次，在对人脸进行时光转换时，该技术还能保留人像的大部分细节。
尽管它在数据集中还存在微小偏差（例如，在20世纪初的图像中出现了几个短发的女性），导致输出图像的不一致，但与以前的工作相比，这个模型在真实性上有了很大改善。
「穿越时光的人脸」开启了时光穿梭的第一步。如此高的准确度让人不禁遐想：这次跨越时光的是人像，那么下次呢？
参考资料：
https://www.marktechpost.com/2022/11/09/latest-artificial-intelligence-ai-research-proposes-a-method-to-transform-faces-through-time/
https://facesthroughtime.github.io/
