雷鋒網AI科技評論按：最近二次元愛好者們可能會感覺到了一陣興奮流遍全身。來自復旦大學、同濟大學、卡內基梅隆大學和石溪大學共6位學生（其實本科都在復旦）搭建了一個利用人工智能自動生成精美動漫角色的網站MakeGirls.moe。
對於用戶來說操作非常簡單，只需要選擇自己喜愛的頭髮、眼睛、微笑、張嘴等等特徵，然後點擊「genrate」就可以通過訓練出的AI模型來生成一個動漫人物。該網站上線後數天，訪問量便增加到10k+每小時。其repo在github trending上也一度排到第四位。該網站所使用的技術在其論文《Create Anime Characters with A.I. !》中進行了詳細說明。
其實這並不是第一個將AI應用到動漫當中的模型。2015年Soumith Chintala等人開發DCGAN後不久，就有人將DCGAN應用到了生成動漫角色當中，出現了ChainerDCGAN、IllustrationGAN和AnimeGAN等，三者分別使用了Chainer、TensorFlow和PyTorch的框架，它們本質上都是DCGAN，只是實現方式不同。但這些模型的效果並不是很好，尤其是會出現面部頭像模糊和扭曲的問題。在MakeGirls.moe的模型中，作者針對這些問題做出了兩方面的改進。
一、使用更高質量的圖像庫
之前幾家，他們訓練模型所使用的數據集大多數是使用爬蟲從網絡上爬下來的，這類圖片在質量和畫風上參差不齊，甚至還有一些背景。訓練數據集質量的低下會給訓練造成很大的影響。本文的作者則通過從日本的遊戲販賣商Getchu購買了高質量的圖像，這些圖像基本出於專業畫師之手，同時背景統一。
除了高質量的圖像外爲了訓練網絡模型，作者使用了一種基於CNN的圖像分析工具Illustration2Vec，對圖像中動漫人物的屬性，如頭髮顏色、眼睛顏色、髮型和表情等做標記。
此外，在訓練的過程中他們還發現發佈時間越晚的圖片，訓練出的模型效果越好。這不難理解，隨着遊戲角色製作和CG技術的發展，越是現代的圖片，細節越豐富，如陰影和頭髮。所以作者捨棄了2005年之前的全部數據，並過濾掉分辨率低於128*128的圖像，用剩下的31255張高質量圖像進行訓練。
二、模型結構
作者採用了今年5月份發表的DRAGAN模型（https://arxiv.org/pdf/1705.07215.pdf），這種模型所使用的計算量相對較少，收斂較快而且能夠產生更穩定的結果。而在優化生成器的過程中，受ACGAN的啓發，不僅向生成器提供了標籤數據，連「噪聲」數據也一併提供，之後再爲判別器增加多標籤分類功能。
下面展示一下效果——
雖然訓練出的模型大多數時候都比較好，但該模型仍然存在一些缺點。問題仍出在數據集中，由於訓練數據中各個屬性（髮色、髮型、眼鏡、帽子等）的數量分佈不均勻，某些屬性的生成並不理想（例如眼鏡和帽子常常不能生成） ，如果將某些罕見的屬性組合，生成的圖片甚至會崩潰（例如帽子+眼鏡）。也許當增加數據集的數量，訓練出的模型生成圖片質量可以進一步提高。雷鋒網認爲，按照此趨勢AI或許在不久將替代掉插畫師的一部分工作。
訪問網站：MakeGirls.moe（已有訓練好的模型，打開就可以嘗試生成）
據雷鋒網(公衆號：雷鋒網)瞭解，由於突然之間巨大的訪問量，網站目前託管在Preferred Networks所提供的AWS上。AWS嘛，你懂的，國內基本就是不能訪問的……隨後作者可能會做出一定調整。
查看論文：https://makegirlsmoe.github.io/assets/pdf/technical_report.pdf
Github：make.girls.moe（目前只有網站的js源碼，看介紹訓練模型的代碼會在近期放出）
本文參考了：AI可能真的要代替插畫師了……