“好吧。”杨明也不再坚持，但他总觉得哪里不大对劲，直觉告诉他好像有什么不大好的事情要发生。

“孟的新技术真的相当好用啊！”在这几天的实验迭代当中，脸书的DeepFace团队已经有了好几个较大的飞跃。

首先就是原本臃肿不堪的模型大小得到了极大的缓解，由于算子简单易用，速度也快了不少。

看模型的训练日志，算法的性能也是一路走高，很可能超越他们之前最好的结果。

“真不知道他是怎么想到的。”沃夫长长的叹了一口气，一个如此简洁的操作，就能够解决困扰了整个领域好几年的大难题。

“其实这种情况是最气人的，如果他真的搞出一套非常复杂的理论和操作倒也好了。”杨明很能理解大家心里的想法：“如果他的策略当真搞得十分复杂，我们也就彻底折服了，不会生出什么幻想和遗憾。”

“偏偏他用这么简洁简单的办法把事情给办成了，给人的感觉就像是哥伦布在海上一直开，就发现了新大陆一样。其中的智慧和努力或许很多，可总给我们一种我上我搞不好也有机会的错觉。”

杨明的自我认识还算是清晰，知道这种‘我上我也行’的想法只是海市蜃楼，终究未堕落成键盘侠。

几位研究人员还是相当认可孟繁岐研究成果的，只是他们完全没想到，孟繁岐为他们还未出炉的最新算法准备了怎样的一份惊喜礼物。

人脸的识别可以说是整个计算机视觉领域当中，研究人员最多，应用范围最广，规模最大的一个方向了。

作为一个古老的课题，人脸识别这一任务历经了传统模式识别到现代深度AI的发展，已经相当成熟。

不过自始至终，它都被一个无法解决的难题所困扰，那就是图像中的遮挡类型问题。

普通的相片不是Photoshop的图层，如果一样物体被遮挡住了，那么这部分信息就彻底丧失掉了。

没有任何技术手段可以还原当时的场景，就像去马赛克一样，是不可能的，被破坏的图层是不可逆的。

不过现在，我们有了新的办法去另辟蹊径，解决这个非常棘手的问题，那就是孟繁岐的生成式对抗网络。

通过大规模数据的反复对抗生成，生成网络将具备非常恐怖的图像生成能力，完全可以产生非常接近现实的内容去填充遮挡部分，虽然这些生成的内容有可能与原本的内容其实毫无关系。

可它看上去确实挺像是那么回事的，不影响人对于图像的理解。

何况，如果它事先看过相当多目标人物的其他照片的话，生成出的部分很有可能几乎和现实完全一致。

并且，生成还只是最基本的一方面，通过对隐藏层一些维度上参数的理解，人们甚至能够做到精细地调节图像的一些属性。

图像特定属性的编辑，是生成技术更为进阶的应用方式。

比如图像中，人物的情绪，脸部表情的喜怒哀乐皆可随着你的调整而做出相应的变化。

后来十分流行的假笑表情包，就是通过控制图像中人脸的情绪，使得原本悲伤愤怒的人咧开嘴巴，夸张大笑。