當GAN生成圖像可以卡音效，這個Python包只需幾行代碼
GAN 生成圖像奇幻詭譎，對此我們早已不陌生。如果它們還可以卡音效呢？最近，有人就創建了一個實現類似效果的 Python 包——Lucid Sonic Dreams，只用幾行代碼就可以實現 AI 生成畫作與音樂的同步。
- GitHub 地址：https://github.com/mikaelalafriz/lucid-sonic-dreams
- Colab 教程地址：https://colab.research.google.com/drive/1Y5i50xSFIuN3V4Md8TB30_GOAtts7RQD?usp=sharing
在該項目提供的 demo 視頻中，伴隨著 Saje 的歌「Raspberry」，GAN 生成的圖像不斷變換且呈現出了對應的節奏。
工作原理
生成藝術品通常是由 GAN 網絡來完成的。Lucid Sonic Dreams 包默認使用 StyleGAN2-ADA 架構，不過 GAN 架構也可以自定義。將這些模型在特定「風格」的圖像數據集上進行訓練，使之能夠輸出與訓練圖像風格一致的無窮多張圖像。此外，Lucid Sonic Dreams 使用 Justin Pinkney 創建庫中的 StyleGAN2 預訓練模型（地址：
https://github.com/justinpinkney/awesome-pretrained-stylegan2） 。
那么這些圖像到底是如何生成的呢？
將輸入饋送至 StyleGAN2 模型（輸入為有 512 個數字的向量），輸入決定了模型的輸出圖像，因此對輸入向量進行微小更改也將帶來輸出圖像的微小變化。
現在，有趣的部分到了：如果我們從音樂中獲取聲波，從聲波中提取數值（如振幅）并添加至輸入向量，會發生什么？
Lucid Sonic Dreams 對視頻每一幀執行這些操作，生成脈沖與變換與音樂一致的圖像。
具體而言，利用 Lucid Sonic Dreams 包，音樂控制了 3 個主要視覺組件：脈沖（Pulse）、運動（Motion）和類別（Class）：
- 脈沖指視覺畫面隨著音樂的敲擊性節奏而「跳動」。從數學角度來看，「脈沖」是向輸入向量暫時添加聲波振幅的結果（即在下一幀中該向量仍是初始向量）；
- 運動指視覺畫面變換的速度。從數學上看，它是向輸入向量累積添加振幅（即添加的振幅后續不會被清零）；
- 類別指生成圖像中物體的標簽，例如基于 WikiArt 圖像訓練的風格中就有 167 個類別（包括梵高、達芬奇、抽象派等）。而這些由音調進行控制，具體而言，12 個音高分別對應 12 個不同類別。這些音高的振幅對傳輸至第二個輸入向量（類別向量）的數字造成影響，而這由模型生成的對象來決定。
項目作者表示，這個想法受到 Matt Siegelman 的 Deep Music Visualizer 項目的啟發。目前網上也有一些類似的項目，但 Lucid Sonic Dreams 的獨特之處在于以 Python 包形式實現，且允許自定義。
使用 Lucid Sonic Dreams 包，你可以做到這些
Lucid Sonic Dreams 具備極強的易用性和靈活性。用戶可以使用 pip 進行安裝：
然后只需輸入幾行 Python 代碼即可：
- from lucidsonicdreams import LucidSonicDream
- L = LucidSonicDream(song = 'chemical_love.mp3', style = 'abstract photos')
- L.hallucinate(file_name = 'chemical_love.mp4')
改變風格
運行以下代碼，我們可以查看默認可用的風格：
- from lucidsonicdreams import show_styles
- show_styles()
這樣就可以得到一組風格名稱，這些風格來自 Justin Pinkney 創建的庫。你還可以輸入自己的 StyleGAN 權重，或者使用其他 GAN 架構。
調整參數
Lucid Sonic Dreams 包的默認設置很好用，但它實際上有很多參數——30 多個，不過這些參數是可以調整的（參數詳細信息參見 Colab 教程）。
哪些參數最重要呢？我們來看整個視頻生成 pipeline：
首先，對輸入向量進行初始化和插值，作為視頻的「基礎運動」（base motion）。參數 speed_fpm 控制運動的速度，fpm 表示「每分鐘幀數」，即每分鐘初始化的向量數。對于每個后續幀而言，參數 pulse_react, motion_react, and class_react 控制音頻操縱每個對應組件的程度。
模型基于這些向量生成圖像后，圖像被傳輸經過一系列特效（也對音樂產生反應）。默認情況下，Lucid Sonic Dreams 包具備「contrast」和「flash」特效，可以與音頻的敲擊性節奏同步。通過設置 contrast_strength 和 flash_strength 參數，即可進行調整。使用者還可以創建自定義特效。
以下代碼展示了調參過程：
- L = LucidSonicDream('pancake_feet.mp3', style = 'modern art')
- L.hallucinate(file_name = 'pancake_feet.mp4',
- speed_fpm = 0,
- motion_react = 0.8,
- contrast_strength = 0.5,
- flash_strength = 0.7)
使用自己的 StyleGAN 權重
如果你自己訓練過 StyleGAN，或者在網上獲得了一些模型權重，你可以選擇將文件路徑傳輸至這些權重，作為風格參數的值。
例如，文章開頭的視頻使用的是 Jeremy Torman 訓練的模型。生成視頻所用代碼如下所示：
- L = LucidSonicDream(song = 'raspberry.mp3', style = 'VisionaryArt.pkl')
- L.hallucinate(file_name = 'raspberry.mp4',
- pulse_react = 1.2,
- motion_react = 0.7,
- contrast_strength = 0.5,
- flash_strength = 0.5)
使用單獨的音軌
這個包還可以用作音樂可視化工具，使用者可以上傳單獨的音軌，進而控制 Pulse、Motion、Class、Contrast 和 Flash。如果你想使這些視覺組件與特定的樂器同步，使用這個包是不錯的選擇。你還可以利用這些單獨的音軌自定義特效。
以下是示例代碼：
- L = LucidSonicDream(song = 'lucidsonicdreams_main.mp3',
- pulse_audio = 'lucidsonicdreams_pulse.mp3',
- class_audio = 'lucidsonicdreams_class.mp3',
- style = 'wikiart')
- L.hallucinate('lucidsonicdreams.mp4',
- pulse_react = 0.25,
- motion_react = 0,
- classes = [1,5,9,16,23,27,28,30,50,68,71,89],
- dominant_classes_first = True,
- class_shuffle_seconds = 8,
- class_smooth_seconds = 4,
- class_pitch_react = 0.2,
- contrast_strength = 0.3)
自定義特效
除了內置的「Contrast」和「Flash」特效外，Lucid Sonic Dreams 包還允許用戶自定義創建特效。用戶只需創建一個包含至少以下 3 個參數的函數即可：array，表示應用特效的圖像；strength，決定對音樂的反應強度；amplitude 表示在任意給定時間點的音量。之后，將該自定義函數傳輸至 EffectsGenerator 對象。
作者用以下代碼進行了試驗，其使用的是 scikit-image 的 swirl 特效：
- import numpy as np
- from skimage.transform import swirl
- from lucidsonicdreams import EffectsGenerator
- def swirl_func(array, strength, amplitude):
- swirled_image = swirl(array,
- rotation = 0,
- strength = 100 * strength * amplitude,
- radius=650)
- return (swirled_image*255).astype(np.uint8)
- swirl_effect = EffectsGenerator(swirl_func,
- audio = 'unfaith.mp3',
- strength = 0.2,
- percussive = False)
- L = LucidSonicDream('unfaith.mp3',
- style = 'textures')
- L.hallucinate('unfaith.mp4',
- motion_react = 0.15,
- speed_fpm = 2,
- pulse_react = 1.5,
- contrast_strength = 1,
- flash_strength = 1,
- custom_effects = [swirl_effect])
- files.download("unfaith.mp4")
使用其他 GAN 架構
你還可以使用其他 GAN 架構。只需定義一個函數，該函數以一組噪聲向量和類別向量（NumPy 數組）作為輸入，輸出一組 Pillow 圖像。事實上，該函數甚至不需要使用 GAN，它可以是能夠將輸入向量轉換成圖像的任意函數。
下列代碼使用 BigGAN 的 PyTorch 實現復現了 Deep Music Visualizer：
- from pytorch_pretrained_biggan import BigGAN, convert_to_images
- import torch
- biggan = BigGAN.from_pretrained('biggan-deep-512')
- biggan.to('cuda:0')
- def biggan_func(noise_batch, class_batch):
- noise_tensor = torch.from_numpy(noise_batch).cuda()
- class_tensor = torch.from_numpy(class_batch).cuda()
- with torch.no_grad():
- output_tensor = biggan(noise_tensor.float(), class_tensor.float(), truncation = 1)
- return convert_to_images(output_tensor.cpu())
- L = LucidSonicDream('sea_of_voices_inst.mp3',
- style = biggan_func,
- input_shape = 128,
- num_possible_classes = 1000)
- L.hallucinate('sea_of_voices.mp4',
- output_audio = 'sea_of_voices.mp3',
- speed_fpm = 3,
- classes = [13, 14, 22, 24, 301, 84, 99, 100, 134, 143, 393, 394],
- class_shuffle_seconds = 10,
- class_shuffle_strength = 0.1,
- class_complexity = 0.5,
- class_smooth_seconds = 4,
- motion_react = 0.35,
- flash_strength = 1,
- contrast_strength = 1)
【編輯推薦】
