MapGAN estudia el envejecimiento facial controlable. Estamos ante un estudio sobre el envejecimiento facial realizado por Julien Despois, Frederic Flament y Matthieu Perrot de la Cornell University.
Un estudio profundo encargado por la compañía francesa L’Oréal. Sí, está bien escrito, lo he mirado expresamente.
El estudio parece que formará parte de las próximas campañas publicitarias de la marca. De ahí que hayan realizado el encargo, para obtener información visual del paso del tiempo en los rostros faciales.
Los enfoques y conjuntos de datos existentes para el envejecimiento facial producen resultados sesgados normalmente.
No es el primer proyecto que estudia el envejecimiento facial, hay muchos proyectos finalizados y muchos más en curso. Por nombrar uno de los más relevantes de los últimos tiempos podemos ver el de David Beckham y su doble digital contra la malaria.
Aclarar que no estamos ante ningún producto cosmético, ni ninguna crema hidratante para la cara, ni crema facial, lo que ves está realizado por ordenador.
Las arrugas faciales suelen ser generalizadas
Tenemos variaciones individuales y arrugas de expresión que a menudo resultan invisibles o pasadas por alto a favor de patrones globales como el engorde de la cara.
Además, ofrecen poco o ningún control sobre la forma en que se envejecen las caras. Y difícilmente se pueden escalar a imágenes grandes, lo que impide su uso en muchas aplicaciones del mundo real.
Para abordar estas limitaciones, presentan un nuevo enfoque para cambiar la apariencia de una imagen de alta resolución. Para ello, por un lado utilizan información de envejecimiento específica de la etnia. Y por otro lado ofrecen una supervisión espacial débil para guiar el proceso de envejecimiento.
La intención de MapGAN es mejorar la simulación del envejecimiento
Este estudio pretende demostrar la ventaja del método propuesto en términos de calidad y control. Además de cómo se puede usar en imágenes de alta definición al mismo tiempo que limita la sobrecarga de nuestra máquina al usarlo.
Su modelo toma una porción de la imagen de entrada, un mapa de envejecimiento objetivo y dos imágenes de gradiente ortonogal X e Y.
A continuación la porción de imagen se transforma de acuerdo con la información de envejecimiento local contenida en el mapa. Mientras que los gradientes ortogonales X e Y proporcionan las coordenadas de la porción de una manera totalmente convolucional.
El algoritmo MapGAN se centra solo en las partes faciales afectadas
Las condiciones se inyectan en el generador a través del bloque SPADE para preservar la información espacial. Finalmente, el generador utiliza un mecanismo de atención para cambiar solo partes relevantes de la imagen. Preservando así la ropa, los aretes y otros rasgos faciales no relacionados con el envejecimiento.
En las siguientes imágenes y videos podemos ver los resultados, además adjuntamos el dossier completo. Este es el enlace al proyecto en GitHub, donde seguramente tendrás más información, aunque no mejor explicada.
Como el video completo puede resultar un poco largo al explicar las cosas en profundidad relativa. Dejo estos dos extractos donde se puede ver directamente el proceso de rejuvenecimiento. Aunque si estás interesado en ver el video completo lo puedes hacer en el foro.
Ojo, lo que ves en estos videos está realizado por ordenador, en ningún momento se trata de un rejuvenecimiento realizado por ninguna compañía cosmética. Ni ninguna crema hidratante para la cara, ni crema facial.
Tienes más información, documentos del proyecto, videos y comentarios en el foro, sigue leyendo…