在FACEapp的热潮刚刚过去之后，一款能够瞬间将用户的脸变成「迪士尼」风格的应用程序在全球社交网络上迅速走红。
为了验证「AI换脸」的效果，我们自然不能缺少老朋友LeCun的参与。
经过实际测试，效果相当不错，的确散发出一丝「迪士尼」的气息，部分用户还认为这是「皮克斯风」，在软件里被称为「3D卡通」。
我们不妨用一张模糊的LeCun经典照片来看看2D卡通效果如何？
在如此低的分辨率下，竟然能输出如此高质量的图像，作为一款「免费」软件，这已经算是相当不错了。
除了「迪士尼风」，还有「文艺复兴风」。比如下面这张小编（狗头）的图像。
LeCun再次出场，这次的2D效果感觉好很多，气质把握得相当到位。
不过，通过大量照片的测试，小编发现这个软件并没有传闻中的那么神奇。偶尔有几张效果尚可，然而大部分生成的图像看起来都很奇怪。
或许是由于训练数据的原因，官方展示的名人案例都非常惊艳。例如马斯克的照片看起来十分帅气，似乎还带有一丝欧洲贵族的气息。
而下面这些小姐姐的效果也让人印象深刻，不禁让小编怀疑是否是同一款软件所生成。
这些示例从某种程度上解释了为何该应用如此受欢迎：如果你见过照片中的人，经过AI处理后基本上可以一眼认出。
那么，Voil&agRave; AI ARtist究竟是何方神圣？
这款名为「Voil&agRave; AI ARtist」的软件依托AI算法，只需上传人像照片便能生成四种风格的图像——3D卡通（迪士尼风）、2D卡通、文艺复兴画作和漫画人物。
Voil&agRave;还拥有一套名人照片数据库，用户可以直接在应用中查看名人的换脸效果。
不过遗憾的是，用户无法对生成的图像进行编辑，包括调整眼睛、嘴巴或头发的颜色和对比度等。
相比于仍然处于实验阶段的模型，显然，已经打包好的应用程序更容易上手，外媒更是形容这款应用像「病毒」般迅速传播。
Voil&agRave;在推出后的三个月内，其iOS版本在多个国家和地区的免费排行榜上夺得第一名，击败了TikTok、Instagram和Snapchat等竞争对手。
在安卓平台，Voil&agRave在Google Play商店的下载量已超过1000万次，并在26个国家和地区的热门排行榜中跻身前十。
官方脸书账号于6月13日宣布，用户量已达到2000万。
神秘的幕后推手
据悉，「Voil&agRave; AI ARtist」的母公司为「WeMagine.AI」，于今年一月在英国伦敦注册成立，推出这款应用不过两个月。
然而，关于这家公司的信息几乎寥寥无几。据Fox Carolina报道，该公司表示总部位于加拿大，团队规模小且分散在全球各地远程工作。
根据英国公司查询网站company Check的数据，公司的创始人是LiM Eliska和Wilson Tjoa，他们常住印尼，年纪都不超过35岁。
隐私收集器「喜加一」
鉴于FACEapp的前车之鉴，用户对此类软件的隐私条款更加重视，但很遗憾的是，如果你想尝试，心理准备是必要的，下面只是截取的一部分条款。
虽然Voil&agRave;声称会在最后一次使用照片的24至48小时后将其删除，并表示不会将用户数据提供给第三方（但合作方除外），
他们仍然会收集用户的个人信息，包括浏览过的网站、Cookies、手机型号和照片等，并将这些信息提供给合作的广告商。
收集的数据可能包括您的互联网协议地址（IP地址）、浏览器类型、浏览器版本、访问的服务页面、访问的时间和日期、在这些页面上所花费的时间、设备标识符及其他诊断数据。
当您使用移动设备访问服务时，相关数据可能包括您使用的设备类型、设备唯一标识、设备的IP地址、操作系统、使用的移动互联网浏览器类型、唯一设备标识以及其他诊断数据。
我们还在谷歌分析的协助下收集诸如IP地址、设备型号、屏幕分辨率、操作系统、会话持续时间及您的位置等数据，以分析用户需求和兴趣并改进服务。
在使用免费版应用时，应用内会展示广告，这些广告由合作伙伴提供，并可能根据用户的使用行为或其他活动进行精准投放。
如果用户不想看到广告，可以选择付费购买会员。Voil&agRave;表示，会员用户可以加快照片处理速度，免受程序内广告的干扰，并且导出的图片上不带水印。
会员价格为一周2.49英镑（约22.3元），一个月4.99英镑（约44.6元），一年25.99英镑（约232.3元）。
不过，国内用户或许不必过于担心这个问题，因为苹果的中国区并未上架该应用。安卓用户则可以寻找APK下载进行体验。
对抗生成网络
自2014年发布对抗生成网络（Generative Adversarial Networks，GAN）以来，其应用场景逐渐扩大，现如今已经开始实现商业化。
GAN由生成网络和判别网络组成。
生成网络从潜在空间随机采样作为输入，输出结果需尽量模仿真实样本。而判别网络的任务则是区分真实样本和生成网络的输出，生成网络则试图欺骗判别网络。
两个网络相互对抗，持续调整参数，最终目标是使判别网络无法判断生成网络的输出是否为真实样本。
