来源：新智元

【导读】 强大P图工具DragGAN一作正式成为南洋理工大学助理教授。

还记得前一阵子爆火的DragGAN吗？

(资料图片仅供参考)

没错，就是那个拖一拖，拽一拽，就能实现完美P图的模型。

因为其「傻瓜式」的操作，和强大的性能，直接炸翻了作图圈。

人们直言，现在终于能实现甲方「让大象转过来」的需求了！

而现在，论文的第一作者Xingang Pan也正式成为了南洋理工助理教授。

第一作者——Xingang Pan

消息一出来，业内人士也是第一时间送上了祝贺。

在Pan教授的GitHub主页上，他的个人职务已经更新完毕。

在成为南洋理工大学的助理教授之前，他是马克斯·普朗克计算机科学研究所的博士后研究员，由Christian Theobalt教授指导。

在此之前，他于2016年在清华大学获得学士学位，并2021年在香港中文大学多媒体实验室获得博士学位，导师是汤晓鸥教授。

他的研究兴趣在计算机视觉、机器学习和计算机图形学的交叉领域。

目前，他的研究方向主要集中在生成式AI模型、AI与人类协同内容生成、3D/视频编辑和生成、神经场景表示和渲染，以及物理感知内容生成。

目前，Pan教授开始在推特上进行「招生」宣传，表示任何对生成式AI感兴趣，想继续跟进DragGAN的研究者都可以来。

一月学期申请的DDL是7月31日，而七月学期申请的DDL是1月31日。

南洋理工大学的官网上也是给出了申请指南。

包含具体的要求、学制，以及申请费。

要知道，南洋理工大学（新加坡）是很多人心中的科研圣地。

作为一所科研密集型大学，在2023年的QS排名中，全球排名第19，亚洲排名第4。

2022年的U.S.News世界大学排名中，全球排名第33，亚洲排名第3。

DragGAN？拽完就干完了！

DragGAN之所以厉害，是因为研究团队应用了一种强大但还未被充分探索的控制GAN的方法——以交互的方式将图像中任意一点精确「拖动」至目标点。

DragGAN主要包括以下两个主要组成部分：

基于特征的运动监控，驱动操作点向目标位置移动

一个新的点跟踪方法，利用区分性的GAN特征持续定位操作点的位置

通过DragGAN，任何人都可以对像素进行精确的控制，进而编辑如动物、汽车、人类、风景等多种类别的姿态、形状、表情和布局。

由于这些操作在GAN的学习生成图像流形上进行，因此它们倾向于生成逼真的输出，即使在富有挑战性的场景下也是如此，例如被遮挡的内容和变形的图像。

定性和定量的对比表明，DragGAN在图像操作和点跟踪任务中，都明显优于先前的方法。

在DragGAN的加持下，用户只需要设置几个操作点（红点），目标点（蓝点），以及可选的表示可移动区域的mask（亮区）。然后，模型就会自动完成后续的图像生成，

其中，动态监控步骤会让操作点（红点）向目标点（蓝点）移动，点追踪步骤则通过更新操作点来追踪图像中的对象。此过程会一直持续，直到操作点达到其相应的目标点。

具体来说，团队通过在生成器的特征图上的位移修补损失来实现动态监控，并在相同的特征空间中通过最近邻搜索进行点追踪。

值得注意的是，用户可以通过添加mask的方式，来控制需要编辑的区域。

可以看到，当狗的头部被mask时，在编辑后的图像中，只有头部发生了移动，而其他区域则并未发生变化。但如果没有mask的话，整个狗的身体也会跟着移动。

这也显示出，基于点的操作通常有多种可能的解决方案，而GAN会倾向于在其从训练数据中学习的图像流形中找到最近的解决方案。

因此，mask功能可以帮助减少歧义并保持某些区域固定。

在真实图像的编辑中，团队应用GAN反转将其映射到StyleGAN的潜在空间，然后分别编辑姿势、头发、形状和表情。

到目前为止，团队展示的都是基于「分布内」的编辑，也就是使用训练数据集内的图像来实现编辑。

但DragGAN实际上具有强大的泛化能力，可以创建出超出训练图像分布的图像。比如，一个张得巨大的嘴，以及一个被极限放大的车轮。

在某些情况下，用户可能希望始终保持图像在训练分布中，并防止这种超出分布的情况发生。实现这一目标的方法可以是对潜在代码?添加额外的正则化，但这并不是本文讨论的重点。

首先，与UserControllableLT相比，DragGAN能够编辑从输入图像中检测到的特征点，并使其与从目标图像中检测到的特征点相匹配，而且误差很小。

从下图中可以看出，DragGAN正确地张开了照片中人物的嘴，并调整了下巴的形状来匹配目标的脸型，而UserControllableLT未能做到这一点。

在DragGAN与RAFT、PIPs和无追踪的定性比较中，可以看得，DragGAN可以比基线更准确地跟踪操作点，进而能够产生更精确的编辑。

而在移动操作点（红点）到目标点（蓝点）的任务上，定性比较的结果显示，DragGAN在各种数据集上都取得了比UserControllableLT更加自然和优秀的效果。

如表1所示，在不同的点数下，DragGAN都明显优于UserControllableLT。而且根据FID的得分，DragGAN还保留了更好的图像质量。

由于具有更强的跟踪能力，DragGAN还实现了比RAFT和PIPs更精确的操纵。正如FID分数所显示的，如果跟踪不准确的话，很可能会造成编辑过度，从而降低图像质量。

虽然UserControllableLT的速度更快，但DragGAN在很大程度上提升了这项任务的上限，在保持相对较快的运行时间的同时，实现了更靠谱的编辑。