近日DeepMind發(fā)布VQ-VAE-2算法，也就是之前VQ-VAE算法2代，這個算法從感觀效果上來看比生成對抗神經(jīng)網(wǎng)絡(luò)（GAN)的來得更加真實，堪稱AI換臉界的大殺器，如果我不說，相信讀者也很難想象到上面幾幅人臉圖像都是AI自動生成出來的。

不過如此重要的論文，筆者還沒看到專業(yè)性很強的解讀，那么筆者就將VQ-VAE-2算法分為VQ,VAE,VQVAE2三部分來介紹原理，權(quán)當拋磚引玉。

什么是VQ

VQ是vector quantisationk（一般譯作矢量量化）的縮寫，他的主要思想是通過k-means算法進行聚類，將相近的點全部近似點簇的重心，從而在不損失太多信息的情況下對輸入進行壓縮。

k-means聚類算法：我在之前博客《終于把軟微BING搜索-SPTAG算法的原理搞清了（https://blog.csdn.net/BEYONDMA/article/details/90578111）

也曾經(jīng)介紹過k-means算法。算法先隨機指定選取K個點做為初始聚集的簇心,分別計算每個樣本點到 K個簇核心的余弦距離，找到距離最近的核心點，將它歸屬到對應(yīng)的簇，所有點都歸屬到簇之后， M個點就分為了 K個簇。之后重新計算每個簇的重心，將其定為新的“核心”，重復(fù)上述步驟直到新核心不再改變?yōu)橹够蛘吒淖兙嚯x達到一定值后中止。那么最終的K個簇就是最終的聚類結(jié)果。

k-means算法試圖最小化失真，其定義為每個觀測向量與其主質(zhì)心之間距離的平方之和。通過迭代地將觀測結(jié)果重新分類為星系團，并重新計算中心體，直到得到一個中心體穩(wěn)定的構(gòu)型，從而達到最小值。

那么VQ實際就是先把輸入的圖像進行-means聚類，完成后只保留最終留下的K個簇質(zhì)心，簇上的其它點全部近似化為質(zhì)心來進行存儲，用這樣的方式來進行壓縮。

什么是VAE

VAE是variational auto encoding（一般譯作變分自動編碼），不過筆者感覺譯為隱變更自動編碼可能更貼切。VAE的主要思想是他認為圖像、聲音等信息是由多個隱變量（latent arrtibute)，比如對于人的面部圖像來說就由笑容，膚色、發(fā)色、發(fā)型等變量決定，那么VAE網(wǎng)絡(luò)就先把圖像中的笑容，膚色、發(fā)色、發(fā)型等變量識別出來，然后將這些變量傳遞給解碼器生成圖像。具體工作原理圖如下：

VQ-VAE1代算法整體的工作方式

簡單來講VQ-VAE1代算法，在Encoder層計算latent arrtibute(隱向量）的向量族z,然后傳遞給隱層，在隱層按照剛剛所述的VQ算法進行壓縮，然后輸出給Decoder進行生成，其具體原理見下圖。

如果要進行換臉，那么只要將人臉A的Encoder進行編碼計算latent arrtibute(隱向量），然后輸出給FaceB的Decoder進行生成即可完成。

VQ-VAE2代算法的更新

VQ-VAE2代其實總體和1代差別不大，主要將latent arrtibute(隱向量）分為top和bottom兩層，其中top層記錄整體細節(jié)主要是明亮度、色調(diào)等信息，而bottom層主要記錄細節(jié)信息，從實際效果上看甚至包括了發(fā)絲、瞳孔等超級細微的層面。具體原理圖如下：

VQ-VAE-2將AI換臉的技術(shù)提升到了真假難辯的高度

我在之前的博客《終于把AI換臉的原理搞清了》（https://blog.csdn.net/BEYONDMA/article/details/88365203）曾經(jīng)介紹過deepfakes等項目的原理，不過之前那些換臉算法對于細節(jié)的把握程度遠遠達不到VQ-VAE-2的程度，從DeepMind的論文中可以看到，其生成效果之好、分辨率之高已經(jīng)到達了刷新了筆者的認知極限。所以筆者最后也再次呼吁，不要將AI換臉技術(shù)用在歪路上。