结合自己以前的实践经验 ， 王澍提出了两种解决方法：首先通过基于中间域的多域融合方法 ， 借助中间域的思想先 finetune 到一个稳定高质量的风格化域(手绘) ， 再 finetune 到最终想要的风格化域 ， 结合 StyleGAN Blending 技术 ， 团队解决了原始融合中存在的光照敏感、牙齿不清晰和风格退化快等问题 。 然后 ， 通过多模型区域融合技术 ， 利用人脸 parsing 网络得到人像的不同部位 ， 通过动态调整高斯融合系数 ， 从而可以融合不同模型的优点 ， 有效的减少了筛图的次数 。
王澍贡献的方法在小成本风格化项目的推进中起到了关键性的作用 ， 最终团队将原始成对图片的数量级降低了几十倍 ， 将筛图成本降低了上百倍 ， 让更多用户、更快地尝试到不同艺术风格特效 。

文章图片

小成本风格化落地案例「新春画中人」 。
谷明宇则是在入职快手的第三个月 ， 遇到了一个「紧急任务」 。
对以视频为主要媒介的快手而言 ， 保障用户的高质量体验的同时降低转码和带宽成本是一项长期挑战 。 因此 ， 快手音视频算法组开展了短视频异步转码档位 Venus 和 Unicorn 的研发工作 ， 核心参与的人就有谷明宇 。
「Deadline 提前了 ， 要在一周多的时间里完成 。 」算法迭代了好几版 ， 但还没走到实验流程 。 得益于修炼多年的平稳心态 ， 谷明宇和同事们有条不紊地完成了任务 ， 最终按时上线 。
Venus 和 Unicorn 转码档位通过引入基于深度学习的转码加速算法、基于人类视觉特征的主观优化算法以及基于视频时域相关性的块级滤波算法 ， 对视频画质、文件大小、转码速度三个维度同时优化 。 在 QoE 持平的情况下 ， 对比线上档位转码速度提升 40% 以上、总带宽降低 5.4% ， 实现了公司成本与用户体验双向受益 。
除了写代码、关注前沿技术以外 ， 谷明宇还有很多要忙的事情 ， 包括带新人、做项目汇报等等 。 但他正在逐渐学会做平衡 ， 这也是一个 tech lead 的成长必经之路 。
「永远对未来抱有无限期待」
面对未知的领域 ， 顾梦琦通常会保持一种兴奋感 ， 这种感觉或许会和焦虑同时出现 ， 但正是驱动力的来源 。
回国后的生活 ， 和想象中一样美好 。 虽然才入职短短两个月 ， 顾梦琦已经在因果推理、机器学习的落地方面做了很多成果 。 比如 ， 在根据视频长度 Debias 的时长预估中 ， 她引入了马尔可夫不等式帮助改善预估均值下界 ， 有效提升了预估值的准确性 ， 上线后推全显著提升了用户观看时长 。 正是这些不断的技术突破 ， 在为快手的海量业务保驾护航 。
和顾梦琦同期入职的张阳洋 ， 选择先和 leader 进行了一次长谈 。
「在学校做东西 ， 看重探索性 ， 或许不一定实用；如果来到企业的话 ， 我想更了解一些能够为业务带来直接收益 ， 能够服务于大多数人的技术 。 快手的 leader 是很懂技术的一批人 ， 也愿意提供一个探索的空间 。 」
快手的业务涉及内容生产、内容理解、内容分发、内容消费和用户互动 ， 尤其在内容理解和内容分发这两个环节 ， 深度学习发挥着至关重要的角色 。 支持超大规模的深度学习训练的平台的必要性不言而喻 。
他选择了「高性能网络」这个方向 ， 想要试一试 。 永远对未来抱有无限期待 ， 这是张阳洋的人生信条 。
除了算力资源的提升之外 ， 还要解决好分布式系统内部不能有效地利用额外的计算和带宽资源的问题 。 针对当前挑战 ， 张阳洋提出了传输架构优化、传输协议优化两个传输优化方向 。