はじめに

ジョーク記事ですので悪しからず.

2018年はGANが大流行でしたね.
DeepMindのインターン生が作ったというBigGANは, もう本物と区別が付かないようなクオリティです.

Large Scale GAN Training for High Fidelity Natural Image Synthesis

また, フランスの芸術家集団ObviousがGANで生成した絵画をオークションに出したら43万ドルで落札されたというセンセーショナルなニュースもありました.

AI絵画, 大手オークションで初の落札予想額の40倍超　写真4枚　国際ニュース：AFPBB News
これを受けて「GAN(贋)作を掴まされた」なんてジョークも流行りましたね.

この1年でGANが生成する画像は本物の画像に大きく近づいたと言えます.
また, 個人的に最近GANの論文をいろいろと読んでいたせいか, 正方形の画像が縦横に並んでいると「GANだ！」と思うようになってしまいました.
というわけで, 今回の記事では, 本物の画像をグリッド状に整列することでGANで生成したと見紛うような画像を作ります.

こんな感じのものを目指します.

名付けて「GANGAN(贋GAN)」です.

手法

データ

この前参加した函館開発合宿の写真を使います.
例えば, 函館名物ラッキーピエロ.

リサイズ

短辺の長さに合わせて中心を正方形でクロップしてから, 適当なサイズに縮小します.

im = Image.open(file)
w, h = im.size
w_mid, h_mid = int(w/2), int(h/2)
unit = int(min(w, h)/2)
im_crop = im.crop((w_mid-unit, h_mid-unit, w_mid+unit, h_mid+unit))
im_resize =  im_crop.resize((S,S))

整列

画像のリストを, numpyのreshapeとtransposeをがんばって組み合わせて整列させます.
ここが一番難しかったです.

ims = np.array(ims)
ims = ims.reshape((5,5,S,S,3))
ims = ims.transpose(0,2,1,3,4)
ims = ims.reshape((5*S,5*S,3))

コード

全体のコードです.

import glob
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

def main():
    S = 256 # size of one picture
    n_img = 5*5

    print('Enter relative path to the directry that has pictures:')
    dir_name = str(input())
    files =glob.glob(dir_name + '/*')
    ims = []
    for i,file in enumerate(files):
        if i>=n_img:
            break
        print(file)
        im = Image.open(file)
        w, h = im.size
        w_mid, h_mid = int(w/2), int(h/2)
        unit = int(min(w, h)/2)
        im_crop = im.crop((w_mid-unit, h_mid-unit, w_mid+unit, h_mid+unit))
        im_resize =  im_crop.resize((S,S))
        ims.append(np.array(im_resize))

    ims = np.array(ims)
    ims = ims.reshape((5,5,S,S,3))
    ims = ims.transpose(0,2,1,3,4)
    ims = ims.reshape((5*S,5*S,3))
    plt.imsave('result.png', ims)

if __name__=='__main__':
    main()

おわりに

調べてみたら, アルバムジャケットをDCGANで生成している人がいました.

https://github.com/Newmu/dcgan_code

これをGANGANで生成すると…？

どっちが本物かわからなくなってきましたね？
Twitterで見かける#私を構成する9枚にも使えます.

以上です. お付き合いいただきありがとうございました.
~~GANをチューニングする時間と体力がなかった.~~

「このくらいなら自分でも書ける」と思った応物/OBOGのあなた！
まだ枠がありますのでぜひアドベントカレンダーに参加してください！