唐旭 发自 RUC

　　量子位 报道 | 公众号 QbitAI

　　从计算机视觉到自然语言处理，在过去的几年里，深度学习技术被应用到了数以百计的实际问题中。诸多案例也已经证明，深度学习能让工作比之前做得更好。

　　今天，量子位为大家收集了20个深度学习方面的优秀应用——当然，这份榜单可能并不详尽，但相信看过之后，你对这项技术在某些领域的潜力会有更清晰的认识。

　　针对每个应用，我们还尽量收集了相关的Demo、Paper和Code等信息。

　　1、Face2Face：扮演特朗普

　　斯坦福大学的一个小组做了一款名为Face2Face的应用，这套系统能够利用人脸捕捉，让你在视频里实时扮演另一个人，简单来讲，就是可以把你的面部表情实时移植到视频里正在发表演讲的美国总统身上。

　　同样的原理也可以用于对视频里场景的3D重建、电影特效也可以这么干。

　　这个应用的实际效果是这样的：

　　Paper：

　　~niessner/papers/2016/1facetoface/thies2016face.pdf

　　2、Let there be color！：给黑白照片/视频自动上色

　　左图是拍摄于1937年的一幅矿工的照片，右图是用Let there be color！重新自动上色后的效果。

　　上图是拍摄于1909年的一张保龄球馆的照片，下图是用Let there be color！重新上色后的效果。

　　实际上，这是运用深度学习网络学习自然存在于照片中的某些模式——比如，天通常是蓝的，云是白的或者灰的，草是绿的。通过这类规则，Let there be color！不需要人类的介入就能对照片进行重新上色。虽然有时它也会犯错，但这种错误很难被发现。

　　同样地，Let there be color！也可以把黑白视频变成彩色的。

　　Demo：

　　:8082/

　　Paper：

　　~iizuka/projects/colorization/data/colorization_sig2016.pdf

　　Code：

　　https://github.com/satoshiiizuka/siggraph2016_colorization

　　3、Pixel Recursive Super Resolution：告别马赛克

　　我为什么不看美剧CSI？原因很简单：太假了。里面的主角动不动就把一段视频拉近、放大——然后他们就得到了一幅分辨率远超真实情况的影像。这根本不现实……

　　直到深度学习出现。今年早些时候，谷歌大脑的研究者们训练了一个深度学习网络，他们让后者根据一些分辨率极低的人脸图像来预测这些面孔真实的样子。如下图：

　　最左边是输入的8×8像素的原始影像，最右一列是被拍摄的人脸在照片中的真实效果，中间则是电脑的猜测。

　　可以看到，虽然并不完美，但电脑预估出的结果已经与实际情况十分接近。Google的研究者将这种方法命名为 Pixel Recursive Super Resolution（像素递归超分辨率），用这种方法能显著提升图像的质量。

　　Paper：

　　https://arxiv.org/abs/1702.00783

　　4、实时多人动作预估

　　深度学习网络已经能在预估动作方面帮动画师很大的忙，如今，我们甚至能做到实时预估。康奈尔大学Zhe Cao等人教会了一个神经网络估算人类骨架位置的变化。

　　在如下的视频中，你可以看到一群人在街头跳舞，而通过这种神经网络，我们能知道他们在哪、如何做动作。当然，他们并没有佩戴任何设备。

　　Paper：

　　https://arxiv.org/abs/1611.08050

　　5、Neural Talk：描述照片

　　用电脑来对照片进行自动分类已经很常见了。比如，Facebook能在分享的照片里标记出你的好友，Google可以为你的照片打上标签以便更有效率地进行搜索。

　　而如今，开奖，深度学习已经可以对照片中的各种元素进行描述。在Andrej Karpathy和李飞飞所做的一项工作中，他们训练了一个能对照片中不同区域内元素进行识别，并用一句话来描述照片的深度学习系统。

　　Demo：

　　Paper：

　　6、DeepWarp：你瞅啥？再瞅把你做成表情包！