一種基于對抗訓練的圖像翻譯技術(shù),為裸女們自動“穿”上比基尼

互聯(lián)網(wǎng)的內(nèi)容繁雜，一不小心就會看到一些“辣眼睛”的內(nèi)容，比如裸女，這也是為什么我們需要審核人員的存在。當然，受益于 AI 技術(shù)的發(fā)展，現(xiàn)在很多審核工作已經(jīng)自動化了。不過，僅僅識別出來還不夠，要是能為她們穿上衣服就更好了。

南大河州天主教大學（Pontifícia Universidade Católica do Rio Grande do Sul）是巴西南大河州的一所天主教私立大學，這里的研究人員為了不讓那些裸露的圖片污染大眾的眼睛煞費苦心，特意開發(fā)了一種技術(shù)，為裸女們自動“穿”上比基尼。當然，這也是為了她們好，畢竟裸照在網(wǎng)上流傳并不是一件好事。

下面，我們就為大家簡單介紹下這項工作。

▌摘要

我們可以將裸體和色情信息的審查工作視為二分類任務，分類的結(jié)果用于決定是否能夠完全忽略所訪問的內(nèi)容。這樣的方法可能會損害用戶的體驗，因為無論是圖像還是視頻，最終都必須被移除或者阻斷。在本文中，我們提出了一種范式轉(zhuǎn)換來過濾掉圖像中的一些敏感區(qū)域，而不是檢測并移除識別的內(nèi)容，并將其用于成人審查任務。為此，我們基于對抗訓練的方法開發(fā)了一種圖像翻譯技術(shù)，它能夠隱式地定位出圖像中的敏感區(qū)域，并在保留語義信息的同時覆蓋該區(qū)域。我們在裸體女性圖像上測試這種新穎的方法，我們的方法能夠為裸體自動進行生成比基尼并覆蓋敏感部位，而不需要額外標注身體部位的工作。

▌方法

我們將敏感內(nèi)容區(qū)域 X 的圖像 x (包含女性裸體圖像) 翻譯到非敏感內(nèi)容域 Y 的圖像 y (包含比基尼女性的圖像)，這個過程我們在保留敏感區(qū)域語義信息的同時，用比基尼覆蓋了圖像中的敏感區(qū)域。此任務所需的數(shù)據(jù)很容易獲得，分別來自圖像 X 和 Y 域，且不需要特殊數(shù)據(jù)標注。我們使用的兩個域數(shù)據(jù)是從網(wǎng)上爬取的，包括裸體女性和穿比基尼女性的照片。我們對結(jié)果進行過濾，僅保留單個人出現(xiàn)的圖像并將該數(shù)據(jù)集進一步分為訓練和測試集。對于穿比基尼女性 (X)，最終有 1044 張訓練圖像和 117 張測試圖像；而對于裸體女性 (Y)，最終有 921 張訓練圖像和 103 張測試圖像。

我們提出的方法在圖像轉(zhuǎn)換過程無需數(shù)據(jù)配對，其模型結(jié)構(gòu)如下圖 1 所示。該模型的關(guān)鍵思想在于利用對抗性訓練的方式來學習域之間的現(xiàn)實映射。具體來說，框架由兩個映射生成器組成，G：X → Y 和 F：Y → X 和兩個判別器 DX和DY 構(gòu)成。其中 DX 用于區(qū)分真實圖像 {x} 和翻譯圖像 {F (y)} = {^x}，而 DY 用于區(qū)分真實圖像 {y} 和翻譯的圖像 {G(x)} = {^y}。我們采用了 LSGANs 中的損失函數(shù)，它能夠更穩(wěn)定的訓練以產(chǎn)生不錯的結(jié)果表現(xiàn)。為了很好地衡量跨領(lǐng)域圖像的相似度，我們還探索了 cycle-consistent 的性質(zhì)并用于衡量圖像翻譯結(jié)果的質(zhì)量。

我們的判別器采用標準的多層次卷積濾波結(jié)構(gòu)。除了第一層和最后一層外，我們采用 Leaky ReLU 作為每層卷積的激活函數(shù)并進行實例正則化 (instance normalization， IN)。

對于生成器，我們測試了兩種流行的結(jié)構(gòu)。首先我們測試了 9-Blocks ResNet 結(jié)構(gòu)的生成器，這種結(jié)構(gòu)由帶殘余連接的自編碼器構(gòu)成，我們在每層的卷積后采用 ReLU 激活函數(shù)和 IN 正則化。此外，我們還采用了 U-Net 256 結(jié)構(gòu)的生成器。U-Net 由一個帶殘余連接的自動編碼器構(gòu)成，它能夠在相同的空間維度上進行殘余操作。同樣地，我們也采用 IN 正則化，并對編碼器采用 Leaky ReLU 激活函數(shù)，而解碼器采用 ReLU 激活函數(shù)。

▌實驗結(jié)果

我們模型的訓練分辨率為 256×256 像素。生成器和判別器都同時采用梯度下降法進行訓練，每個訓練步驟分別更新 DY，DX，以及 G 和 F 的權(quán)重。我們使用 Adam 優(yōu)化器，學習率為0.0002，β1 = 0.5，β2 = 0.99，并將 cycle consistent 項的權(quán)重值設為10。我們的網(wǎng)絡以批次 1 重復訓練 400 步，學習率隨著訓練的進行而線性衰減。此外，每 100 秒我們將翻譯的圖像進行可視化以查看實驗結(jié)果。

原始數(shù)據(jù)集的結(jié)果

下圖 2 展示了我們的方法在原始數(shù)據(jù)集中的結(jié)果。可以看到，與 U-Net 方法 (第三排) 相比，采用 ResNet 作為生成器結(jié)構(gòu) (第二排) 時始終能夠產(chǎn)生更好的結(jié)果。

圖2：在原始數(shù)據(jù)集上的訓練結(jié)果。頂行：真實圖像 (手動刪除以保護讀者)。中間行：使用 9-Blocks esNet 結(jié)構(gòu)的生成器結(jié)果。底行：使用 U-Net 256 結(jié)構(gòu)的生成器結(jié)果 (產(chǎn)生模糊、令人不滿意的結(jié)果)。

移除背景后的結(jié)果

下圖3顯示了我們的方法在無背景數(shù)據(jù)集上的結(jié)果?？梢钥吹?，這些結(jié)果比圖2原始數(shù)據(jù)集中的結(jié)果更加一致?；?ResNet 結(jié)構(gòu)的模型表現(xiàn)更優(yōu)于 U-Net 結(jié)構(gòu)，它能夠通過生成敏感性的圖像組件來正確覆蓋真實的比基尼區(qū)域。 此外，ResNet 結(jié)構(gòu)模型生成的圖像失真度更低。

圖3：在無背景數(shù)據(jù)集上的結(jié)果。頂行：真實圖像 (手動刪除以保護讀者)。間行：使用9-Blocks esNet 結(jié)構(gòu)的生成器結(jié)果。底行：使用 U-Net 256 結(jié)構(gòu)的生成器結(jié)果 (產(chǎn)生模糊、令人不滿意的結(jié)果)。

▌魯棒性結(jié)果分析

圖5：魯棒性分析。左：真實圖像；右：由生成器 F 創(chuàng)建的最小修改圖。

▌結(jié)論

本文我們提出了一種基于對抗訓練的圖像翻譯技術(shù)，用于隱式地定位裸體圖像中的敏感區(qū)域并在保留其語義信息的同時覆蓋該區(qū)域。我們的方法不需要訓練樣本的配對工作，在實驗驗證過程中產(chǎn)生令人印象深刻而又高度逼真的結(jié)果，為解決裸體圖像審查任務提供了一種新方法。對于未來的工作，我們打算分析影響生成圖像質(zhì)量的不同模型架構(gòu)和損失函數(shù)，并將我們的方法嵌入到瀏覽器應用程序中以保護公眾，避免看到那些不受歡迎的內(nèi)容。