“好吧。”楊明也不再堅持，但他總覺得哪裡不大對勁，直覺告訴他好像有什麼不大好的事情要發生。
“孟的新技術真的相當好用啊！”在這幾天的實驗迭代當中，臉書的DeepFace團隊已經有了好幾個較大的飛躍。
首先就是原本臃腫不堪的模型大小得到了極大的緩解，由於運算元簡單易用，速度也快了不少。
看模型的訓練日誌，演算法的效能也是一路走高，很可能超越他們之前最好的結果。
“真不知道他是怎麼想到的。”沃夫長長的嘆了一口氣，一個如此簡潔的操作，就能夠解決困擾了整個領域好幾年的大難題。
“其實這種情況是最氣人的，如果他真的搞出一套非常複雜的理論和操作倒也好了。”楊明很能理解大家心裡的想法：“如果他的策略當真搞得十分複雜，我們也就徹底折服了，不會生出什麼幻想和遺憾。”
“偏偏他用這麼簡潔簡單的辦法把事情給辦成了，給人的感覺就像是哥倫布在海上一直開，就發現了新大陸一樣。其中的智慧和努力或許很多，可總給我們一種我上我搞不好也有機會的錯覺。”
楊明的自我認識還算是清晰，知道這種‘我上我也行’的想法只是海市蜃樓，終究未墮落成鍵盤俠。
幾位研究人員還是相當認可孟繁岐研究成果的，只是他們完全沒想到，孟繁岐為他們還未出爐的最新演算法準備了怎樣的一份驚喜禮物。
人臉的識別可以說是整個計算機視覺領域當中，研究人員最多，應用範圍最廣，規模最大的一個方向了。
作為一個古老的課題，人臉識別這一任務歷經了傳統模式識別到現代深度AI的發展，已經相當成熟。
不過自始至終，它都被一個無法解決的難題所困擾，那就是影象中的遮擋型別問題。
普通的相片不是Photoshop的圖層，如果一樣物體被遮擋住了，那麼這部分資訊就徹底喪失掉了。
沒有任何技術手段可以還原當時的場景，就像去馬賽克一樣，是不可能的，被破壞的圖層是不可逆的。
不過現在，我們有了新的辦法去另闢蹊徑，解決這個非常棘手的問題，那就是孟繁岐的生成式對抗網路。
透過大規模資料的反覆對抗生成，生成網路將具備非常恐怖的影象生成能力，完全可以產生非常接近現實的內容去填充遮擋部分，雖然這些生成的內容有可能與原本的內容其實毫無關係。
可它看上去確實挺像是那麼回事的，不影響人對於影象的理解。
何況，如果它事先看過相當多目標人物的其他照片的話，生成出的部分很有可能幾乎和現實完全一致。
並且，生成還只是最基本的一方面，透過對隱藏層一些維度上引數的理解，人們甚至能夠做到精細地調節影象的一些屬性。
影象特定屬性的編輯，是生成技術更為進階的應用方式。
比如影象中，人物的情緒，臉部表情的喜怒哀樂皆可隨著你的調整而做出相應的變化。
後來十分流行的假笑表情包，就是透過控制影象中人臉的情緒，使得原本悲傷憤怒的人咧開嘴巴，誇張大笑。
甚至有人會連貫地修改整個影片，讓整個場面看起來十分滑稽，喜感。