AI靠语意理解把照片变抽象画，无需相应数据集，只画4笔也保留神韵，有毕加索内味儿了

行早 发自 凹非寺
量子位 | 公众号 QbitAI

只用几笔，如何勾勒一只动物的简笔画，很多人从小都没整明白的问题——

如今AI也能实现了。

下面图中，左边是三张不同的动物照片，右边是AI仅用线条来描出它们的外形和神态。

从32笔到4笔，即使大量信息都抽象略去了，但我们还是能辨识出对应动物，尤其是最下面的猫猫，只需4笔曲线也能展示出猫的神韵：

再看这匹马，抽象到最后只保留了马头、马鬃和扬蹄飞奔的动作，真有点毕加索那幅公牛那味儿了。

更神奇的是，其背后的模型CLIPasso并没有在速写画数据集上训练——

等于说，没“学”过怎么画抽象画，按照文字描述就能完成简笔速写。

要知道，日常速写都比较抽象，即使是人来画，要想抓住物体的“灵魂”，也需要经过很久的训练。

那为什么这个CLIPasso甚至连速写画数据集训练都没做，就能get到抽象简笔画的“灵魂”呢？

其实AI画抽象简笔画比人更难。

既要准确地理解语义，又要在几何上相似，才能让抽象画看起来有“像”的感觉。

具体实现上，模型会根据图像的特征图先生成初始线条的位置，然后靠CLIP构建两个损失函数，来控制抽象画几何相似、语义理解准确。

其中CLIP就是OpenAI发布的一个重排序的模型，它会通过打分排名来筛选出和文字匹配度最高的图片。

这样一来，CLIPasso的整体结构就比较清晰了：

例如我们要画一匹马，首先通过特征图（saliency）标记一些初始线条（S₁，S₂…S_n）的位置。

然后通过光栅化（Rasterizer）把线条投影到成像平面：

接下来就是优化线条参数了。把初始图像导入CLIP模型，计算几何损失（L_g）和语义损失（L_s）。

其中语义损失通过余弦相似度来判断两图的差异，而几何损失通过中间层来控制。

这样就能保证在准确理解语义的情况下保持几何准确，再通过反向传播不断调整线条参数，直到损失收敛。

那速写的抽象程度是怎么控制的呢？

就是靠设置线条的数量。

同样画一匹马，用32笔去画和只用4笔去画，抽象效果肯定是不一样的：

最后，我们来看一下CLIPasso画出的画辨识度怎么样。

下图中这个柱形图代表的是五类动物的辨识准确度。

不过在猜测的时候还有第六个选项：这五种动物都不是。

从图中可以看出，无论什么动物，在高度抽象的时候（4笔画），辨识度都很低，随着笔画越来越多，辨识度也会逐渐提高。

毕竟这么抽象的画，看不出来是啥也很正常。

但是，模型团队在第二轮测试辨识度时删除了第六个选项，也就是必须从这五个动物类型中选一个归类。

这时，我们从下面的柱形图中可以看到，即使是高度抽象的4笔画，辨识度也提高了不少，从36%提到了76%。

这就说明了之前辨认不出是太抽象导致的，AI毕加索的画仍然抓住了动物的核心特征。

目前这个模型已经出了colab版本，只需在左侧文件夹中添加你想要抽象化的图片，然后运行三个部分即可得到输出照片。

CLIPasso团队成员主要来自洛桑联邦理工学院、特拉维夫大学等。

其中Jessica是苏黎世联邦理工学院机器人方向的硕士研究生，目前在洛桑联邦理工学院的计算机视觉实验室VILAB实习。

而Yale Vinker是特拉维夫大学计算机科学的博士研究生，对艺术和技术的交叉领域非常感兴趣，也难怪CLIPasso有这么丰富的艺术细胞。

参考链接：

[1]https://clipasso.github.io/clipasso/
[2]https://colab.research.google.com/github/yael-vinker/CLIPasso/blob/main/CLIPasso.ipynb#scrollTo=L7Cp8FFHx3VG

本文来自微信公众号 “量子位”（ID：QbitAI），36氪经授权发布。