从最近大火的chatGPT，到图片转动漫，从DALL.E文生图到一键写文案，这几年里很多“科技狠活”都出自一个叫做GAN的模型之手。今天要讲到的XMAGE影像引擎与小米影像大脑也是基于GAN制作的。那么，这个模型到底是什么？它是靠什么实现“自动修图”的？

Generative Adversarial Networks

GAN的中文翻译为：生成对抗网络（也有地方叫对抗生成网络），意如字现，无论是谁在前面，GAN都有一个特征：生成（G）、对抗（A）还有网络（N）。

举个例子的话，假设一个犯罪团伙，准备印假钞。首先肯定要找一个模子，就是真钞了。然后小G是造假钞的“工程师”，小A是监工，负责监督假钞的质量。当小A检测到造出来的产品质量不到真钞的水平，就让小G打回去重做，如果到了以假乱真的程度，那么恭喜，这笔生意就成了~！（只是现在都不用纸币了）

当然，实际情况会更复杂。首先，在举的例子里，真钞只有一种。但如果想要生成的物体不止一种呢？比如说像DALL.E一样凭空生成一张图片，一张照片包含的可能性可是无穷的，可以是一个明星，也可能是篮球，或者背带裤。为了为小G找到合适的学习对象，公司把整个百度图片里面的照片都交给了小G，让他学习造一张图片。这个时候，监工小A也可以拿着有着上亿数量级的照片库当范本，当小G造了一张图片后，小A就照着图库里面的照片，看看凭空造出来的图片和真实存在的图片有多少的相似度。

如果监工小A太严格，每次小G生成的图片都会被打回去，那小G自然就没有信心了，但如果太松的话，生成的什么照片都给通过，那客户肯定是不买账的。所以GAN模型的关键在于什么时候给小G一个糖果，什么时候拿着鞭子抽它。这个步骤称为下降梯度。

让小G生成更加可信的结果，还需要庞大的网络，比如百度图片里面上亿级别的图片（当然， 这样做是违法的，所以百度找了其他方法），只有足够多的数据网络，才可能创造出可信的结果。当然，为了提升效率，也可以对数据进行标注，来加快小G的理解，比如“这张图里面有一个明星在跳舞，手里拿着一个篮球”。这个时候，传统的神经网络就能提到作用，比如景深识别、面部识别、物体识别等。

所以，现在你大概就能理解那些刷爆朋友圈的各种人工智能的原理了吧。比chatGPT的训练模型是文本，DALL.E的训练模型是图片，图片转动漫的训练模型则是各种各样的动漫图。

那么，GAN的出现会给影像带来什么样的变化呢？它是怎么做到“全自动修图”的？

如果回到华为mate50系列新品发布会与小米13系列发布会，会发现其中的端倪。回想一下，GAN都需要什么，需要生成器G，监工A和训练网络N。在发布会上，我们能找到一个关键信息：训练网络N的来源。华为XMAGE的来源是华为新影像大赛的参赛作品，小米影像大脑则来自于小米徕卡影像大赛参赛作品。比赛，是区分好作品与否的最直观的方式，通过比赛所筛选出来的作品，将会作为训练集进入到GAN的训练中。

当然，相比于凭空造图，修图要更加简单。在生成器G中，一个重要的内容是参数的数量，造图可能需要上亿的参数，但是修图方面，有过修图经历的摄影师也明白，参数最多也不会超过一千的量级。虽说如此，但是要衡量效果如何，最终还是要看训练库中作品的质量与数量。

每当训练完毕后，都会生成一个训练文件，就像做饭一样，GAN看到今天用的是黄瓜、地瓜和西瓜，就会分析出最佳的食用方式（我推荐直接吃）。根据文件大小，公司可以选择在线使用或者离线使用。像chatGPT使用的是在线的方式，有时候向它问一个问题，它会思考半天。而华为使用的是离线方案，mate50系列的更新动辄4、5百兆，多的时候能到1G，更新日志里写着“拍照场景优化”就是在对XMAGE的GAN模型进行的改进。

在使用XMAGE进行拍摄时，我常常会有一种错觉，认为修出来的照片好像某个大师会修的风格，具体也说不上来，大抵就是这样的体验。

以前，大家用的还是半自动修图，各种套用滤镜，直到找到自己喜欢的风格。现在，修图变成了AI帮你找滤镜。那么，以后又会变成什么样子呢？

参考资料：

生成对抗网络（GAN） - 知乎 (zhihu.com)

ChatGPT: Optimizing Language Models for Dialogue (openai.com)

DALL·E 2 (openai.com)

小米影像 - 2022中国影像辞典，小米徕卡影像大赛 (mi.com)

2022新影像大赛 (huawei.com)

编辑人：思诺

资料收集：心雨

如资料有误，请及时联系修改

所有文章都已表明出处，如果你是原作者且不同意引用，请联系我们撤除相关内容

除引用部分以外，其它均为原创，转载需标明“新乡学院摄影协会”字样

新乡学院摄影协会

2022.12.24