本ページの最終目的は、ある程度の許容範囲がある高精度な顔認証技術を提案することですが、そのためには、まず、許容範囲を定める多数の顔画像を用意する必要があります。本ページでは、StyleGAN3（一部StyleGAN2-ada-pytorch）を使用し、顔認証の範囲を広げた多数の画像を生成したので報告します。

   ある画像から別の創造的な画像（画風スタイル変換画像や顔の表情変換画像など）を作成する技術は、2014年にIan J. Goodfellowらが発表したGenerative Adversarial Networks（GAN:敵対的生成ネットワーク）のフレームワークが基本となっています。GANのフレームワークでは、生成モデルG（generative model）と識別モデルD（discriminative model）が敵対的プロセスにより同時にトレーニングされます。即ち、生成モデルGが、目的に近い画像の制作手法を学習する一方で、識別モデルDは、Gが生成した画像と目的画像との違いを見分ける評論家としての手法を学習し、お互いに切磋琢磨しながらトレーニングして行くフレームワークです。どこか、人間の社会で切磋琢磨する姿に似ています。

この研究は、教師あり学習でよく使用される多層のCNN層を使用したUNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS（DCGAN）へと発展し、より高精度に画像を生成できるようになりました。このモデルは、ランダムノイズからMNIST文字を生成する手法として、tensorflowのチュートリアル深層畳み込み敵対的生成ネットワーク（DCGAN）でも紹介されています。

   GANの応用例の一つとして、対になっていない２つの画像の特長を抽出して新たな画像を生成する手法として、Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks（CycleGAN）があります。この手法の活用例を図1に示しますが、この技術の応用例は広く、画像の画風変換をしたり、顔写真をマット肌や美人風にしたリするなどの応用が考えられるでしょう。馬の画像をシマウマの画像に変換する手法として、tensorflowのチュートリアルCycleGANでも紹介されていますので、興味ある方は挑戦してみてください。

   GANのフレームワークは、基本となる高解像度の画像を合成して新たな高解像度の画像を生成する技術A Style-Based Generator Architecture for Generative Adversarial Networks（StyleGAN）へと発展して行きます。さらに、StyleGANは、StyleGAN2、StyleGAN2-ada-pytorch、StyleGAN3へと発展し、高解像度の画像の合成精度を高めて行きます。

   GANに関する簡単な歴史を紹介し、ようやくStyleGAN3による顔認証モデルに到達しました。顔認証となるモデルとしてはネットに多数あるものの、肖像権の問題など不明な点も多いため、ここでは、Kaggleにある顔認証モデルのページPins Face RecognitionのページとBollywood Celebrity Facesで比較的大きな画像を提供されている俳優さんの写真を使用させていただきました。1024x1024の学習済みStyleGAN3のモデル'stylegan3-r-ffhq-1024x1024.pkl'を使用して、両境界となる2種類のJPG画像から生成した全画像を動画にして図3に示します。図2に比較して動画として動く範囲が小さいですが、顔認証可能な範囲を与える動画ですので、あまり大きな許容範囲を与えると誤認証になる可能性も高まりますので注意が必要です。