隨手拍張照片，順勢轉換為宮崎駿、新海誠等日漫大師的手繪風格作品，這個專門生成動漫圖像的 GAN，實測很好用。

盡管最近 2019 年的圖靈獎頒給了計算機圖形學、頒給了皮克斯 3D 動畫，但很多人可能認為二維動漫更有意思一些。像宮崎駿、新海誠這些大師手繪下的動漫，才有了靈魂，張張都能成為壁紙，而整個日漫也以二維為核心。 如果有模型能將真實畫面轉化為日漫風格的手繪畫面，那一定非常炫酷。最近機器之心發現確實有這些模型，從 CartoonGAN 到 AnimeGAN 都能生成非常有意思的圖像。

這里有一個 TensorFlow 新項目，它實現了 AnimeGAN，并提供了預訓練模型。也就是說，我們下載后可以直接試試生成效果。作為日漫風格的愛好者，我們很快就試用了一下新項目。 項目地址：https://github.com/TachibanaYoshino/AnimeGAN 雖然原項目給出的最佳示例很多都是街景，但我們發現各種場景也都還行，如下是我們試用的原圖與生成效果。看看第一張櫻花道生成效果，忽然有一種《千與千尋》的感覺。

如果只針對人物，轉換效果也是非常不錯的。我們嘗試將新垣結衣的照片輸入 AnimeGAN 模型，然后就有如下這種神奇的畫風，感覺直接用到動漫里也沒什么問題了。

在原 GitHub 項目中，作者還給了非常多的示例，上面只是機器之心試用的結果，你也可以來用一用。 AnimeGAN 整個項目實現的是論文「AnimeGAN: a novel lightweight GAN for photo animation」中所提方法，作者在論文中分別將 AnimeGAN 與 CartoonGAN、ComixGAN 進行對比。

從圖中可以看到，AnimeGAN 在細節方面的表現要優于以上兩種方法，色彩相對而言更加自然，涂抹感也沒有那么強烈。最明顯的是第二行的效果圖，使用 AnimeGAN 生成的漫畫更加接近宮崎駿的畫風。 方法簡介 對于這個項目的 AnimeGAN，如下所示為 AnimeGAN 所采用的生成器網絡與判別器網絡。看起來模型整體是比較常規地一個卷積神經網絡，但它會采用實例歸一化以及新型的 LReLU 激活函數。

除了架構細節上的更新外，作者還提出了以下三個新的損失函數：

灰度風格（grayscale style）loss

灰度對抗（grayscale adversarial）loss

色彩重構（color reconstruction）loss

這些損失函數能夠讓生成圖片的風格更加接近于真實的漫畫風格。 下表比較了 ACartoonGAN 與 AnimeGAN 的模型大小與推理速度。可以明顯看出，AnimeGAN 是個相對輕量級的 GAN，具有更少的參數量以及更快的推理速度。

總體來說，新提出來的 AnimeGAN 是一種輕量級的生成對抗模型，它采用了較少的模型參數，以及引入格拉姆矩陣（Gram matrix）來加強照片的風格。研究者的方法需要采用一系列真實圖片與一系列動漫圖片做訓練，且這些圖片并不需要成對匹配，這就表明訓練數據非常容易獲得。 項目實測 我們在 Ubuntu 18.04 下對本項目進行了測試，相關依賴環境如下：

python 3.6.8

tensorflow-gpu 1.8

opencv

tqdm

numpy

glob

argparse

這些依賴項可以說都是 CV 中常用的擴展庫，我們就不用費盡心思去解決各種依賴環境沖突的問題了，這里給個好評。 以下是本項目的訓練及測試詳細流程。我們首先將 AnimeGAN 項目克隆到本地，在 Jupyter notebook 中輸入：

!gitclonehttps://github.com/TachibanaYoshino/AnimeGAN

將工作目錄切換到 AnimeGAN： importos os.chdir('AnimeGAN') print(os.getcwd()) 接下來下載項目作者提供的預訓練模型，使用 vim download_staffs.sh 創建一個 Shell 文件，輸入如下命令： URL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/Haoyao-style_V1.0/Haoyao-style.zip ZIP_FILE=./checkpoint/Haoyao-style.zip TARGET_DIR=./checkpoint/saved_model mkdir-p./checkpoint wget-N$URL-O$ZIP_FILE mkdir-p$TARGET_DIR unzip$ZIP_FILE-d$TARGET_DIR rm$ZIP_FILE DatesetURL=https://github.com/TachibanaYoshino/AnimeGAN/releases/download/dataset-1/dataset.zip ZIP_FILE=./dataset.zip TARGET_DIR=./dataset rm-rfdataset wget-N$DatesetURL-O$ZIP_FILE unzip$ZIP_FILE-d$TARGET_DIR rm$ZIP_FILE VGG_FILE=./vgg19_weight/vgg19.npy wget--load-cookies/tmp/cookies.txt"https://docs.google.com/uc?export=download&confirm=$(wget--quiet--save-cookies/tmp/cookies.txt--keep-session-cookies--no-check-certificate'https://docs.google.com/uc?export=download&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF'-O-|sed-rn's/.*confirm=([0-9A-Za-z_]+).*/1 /p')&id=1U5HCRpZWAbDVLipNoF8t0ZHpwCRX7kdF"-O$VGG_FILE&&rm-rf/tmp/cookies.txt 保存后退出，以上命令會將預訓練的模型、vgg19 權重以及訓練數據集下載并保存到其對應目錄下。在 notebook 中運行： !bashdownload_staffs.sh

至此即完成所有準備工作，運行如下代碼就可以對模型進行訓練了： !pythonmain.py--phasetrain--datasetHayao--epoch101--init_epoch1 AnimeGAN 的訓練過程如下圖所示：

當進行測試時，我們需要將用于測試的圖片保存到 dataset/test/real 目錄下，并運行如下代碼： !pythontest.py--checkpoint_dircheckpoint/saved_model--test_dirdataset/test/real--style_nameH

當看到以上輸出說明程序已經成功運行完成，生成結果保存在 results 文件夾下。可以看到，在 P100 GPU 上生成一幅圖片需要大約 2.3 秒左右。 整體而言，運行速度還是比較快的，這么好玩的項目，你不來試下嗎？