伯克利的研究人員提出了一種簡單的“動作遷移法”，可以將源視頻中一個(gè)人的動作和姿態(tài)，遷移到新的視頻對象上，讓后者也具有同樣流暢優(yōu)美的動作，整個(gè)過程只需要幾分鐘就成完成。

說起去年讓“馬變斑馬”的CycleGAN，大家應(yīng)該還記憶猶新。

CycleGAN利用pixel2pixel技術(shù)，能自動將某一類圖片轉(zhuǎn)換成另外一類圖片，過度真實(shí)自然，可以說是2017年最受關(guān)注的模型之一。CycleGAN論文的第一作者、加州大學(xué)伯克利分校的朱俊彥（現(xiàn)已在MIT CSAIL擔(dān)任博士后），也由此獲得了SIGGRAPH 2018的杰出博士論文獎。

現(xiàn)在，同樣是伯克利的Caroline Chan、ShiryH Ginosar、Tinghui Zhou、Alexel A. Efros提出了或許更有意思的一篇論文，不僅是圖像，而是實(shí)現(xiàn)不同視頻之間的人物動作姿態(tài)轉(zhuǎn)換，而且面部也能逼真合成效果，整個(gè)過程只需要幾分鐘就能完成。

將專業(yè)舞者的動作遷移到其他人身上，讓每個(gè)人都能成為頂級舞者

作者在論文摘要中這樣介紹：

本文提出一種簡單的 “跟我做”（do as I do）的動作遷移方法：給定一個(gè)人跳舞的源視頻，我們可以在目標(biāo)人物表演標(biāo)準(zhǔn)動作幾分鐘后將該表演遷移到一個(gè)新的目標(biāo)身上（業(yè)余舞者）。

我們將這個(gè)問題視為一個(gè)具有時(shí)空平滑的每幀 image-to-image 轉(zhuǎn)換問題。利用姿勢檢測作為原和目標(biāo)之間的中間表示，我們學(xué)習(xí)了從姿勢圖像到目標(biāo)對象外觀的映射。

我們利用這樣的設(shè)置實(shí)現(xiàn)了連貫時(shí)間的視頻生成，并且包括逼真的面部合成。

基于人體姿態(tài)關(guān)鍵點(diǎn)，實(shí)現(xiàn)視頻間不同主體的復(fù)雜動作

伯克利研究者提出了一種在不同視頻中轉(zhuǎn)移人體動作的方法。

他們要實(shí)現(xiàn)的目的很簡單——給定兩個(gè)視頻：一個(gè)是目標(biāo)人物，我們想合成他的表演；另一個(gè)是源視頻，我們想將他的動作轉(zhuǎn)移到目標(biāo)人物身上。

這與過去使用最近鄰搜索或 3D 重定向運(yùn)動的方法不同。在伯克利研究人員提出的框架下，他們制作了各種各樣的視頻，讓業(yè)余舞蹈愛好者能夠像芭蕾舞演員一樣旋轉(zhuǎn)、跳躍，表演武術(shù)，跳舞。

最初，為了逐幀地在兩個(gè)視頻的主體之間遷移運(yùn)動，研究人員認(rèn)為他們必須學(xué)習(xí)兩個(gè)人的圖像之間的映射。因此，目標(biāo)是在源集和目標(biāo)集之間發(fā)現(xiàn)圖像到圖像的翻譯（image-to-image translation）。

但是，他們并沒有用兩個(gè)實(shí)驗(yàn)對象對應(yīng)的相同動作來直接監(jiān)督學(xué)習(xí)這種翻譯。即使兩個(gè)實(shí)驗(yàn)對象都做同樣的動作，由于每個(gè)實(shí)驗(yàn)對象的體型和風(fēng)格差異，仍然不太可能有幀到幀的 body-pose 對應(yīng)的精確框架。

于是，他們觀察了基于人體姿態(tài)關(guān)鍵點(diǎn)（keypoint），關(guān)鍵點(diǎn)本質(zhì)上是編碼身體的位置而不是外觀，可以作為任何兩個(gè)主體之間的中間表示。而姿勢可以隨著時(shí)間的推移保持動作特征，同時(shí)盡可能地抽象出對象身份標(biāo)識。因此，我們將中間的表示設(shè)計(jì)為火柴人自試圖，如下圖所示。

將源視頻中人物（左上）動態(tài)的姿態(tài)關(guān)鍵點(diǎn)（左下）作為轉(zhuǎn)化，遷移到目標(biāo)視頻人物（右）。

從目標(biāo)視頻中，我們得到每一幀的姿勢檢測，得到一組（姿勢火柴人，目標(biāo)人物形象）的對應(yīng)數(shù)據(jù)。有了這些對齊的數(shù)據(jù)，我們就可以在有監(jiān)督的情況下，學(xué)習(xí)一種在火柴人和目標(biāo)人物圖像之間的 image-to-image 的轉(zhuǎn)換模型。

因此，的模型經(jīng)過訓(xùn)練，可以生成特定目標(biāo)對象的個(gè)性化視頻。然后，將動作從源遷移到目標(biāo)，將姿勢火柴人圖形輸入到訓(xùn)練模型中，得到與源姿勢相同的目標(biāo)對象的圖像。

為了提高結(jié)果的質(zhì)量，研究人員還添加了兩個(gè)組件：

為了提高生成的視頻的時(shí)間平滑度，我們在每一幀都將預(yù)測設(shè)置在前一幀的時(shí)間步長上。

為了在結(jié)果中增加人臉的真實(shí)感，我們加入了一個(gè)專門訓(xùn)練來生成目標(biāo)人物面部的 GAN。

這種方法生成的視頻，可以在各種視頻主體之間遷移運(yùn)動，而無需昂貴的 3D 或動作捕捉數(shù)據(jù)。

作者在論文中寫道：“我們的主要貢獻(xiàn)是一個(gè)基于學(xué)習(xí)的視頻之間人體運(yùn)動遷移的 pineline，所得結(jié)果的質(zhì)量展示了現(xiàn)實(shí)的詳細(xì)視頻中的復(fù)雜運(yùn)動遷移?！?/p>

選一個(gè)你喜歡的舞蹈視頻，以及你自己動幾下的視頻，一鍵轉(zhuǎn)換！

首先，我們需要準(zhǔn)備兩種視頻素材：

一個(gè)是你理想舞者表演的視頻：

一個(gè)是你自己隨性 “凹” 出的動作視頻：

最終的目標(biāo)，就是讓你能夠跳出夢寐以求的曼妙舞姿：

為了實(shí)現(xiàn)這一目標(biāo)，可以將 pipeline 分為三個(gè)階段：

1、姿勢檢測：根據(jù)源視頻中給定的幀，使用預(yù)訓(xùn)練好的姿勢檢測器來制作姿勢線條圖；

2、全局姿勢歸一化：該階段考慮了源視頻與目標(biāo)視頻中人物身形的不同，以及在各自視頻中位置的差異；

3、將歸一化的姿勢線條圖與目標(biāo)人物進(jìn)行映射：該階段通過對抗性學(xué)習(xí)設(shè)計(jì)了一個(gè)系統(tǒng)，來將歸一化的姿勢線條圖與目標(biāo)人物進(jìn)行映射。

完整的訓(xùn)練過程

模型根據(jù)源視頻中給定的幀，使用預(yù)訓(xùn)練好的姿勢檢測器 P 來制作姿勢線條圖。在訓(xùn)練期間，學(xué)習(xí)了一種映射 G 和一個(gè)對抗性鑒別器 D，來試圖區(qū)分哪些匹配是真，哪些是假。

完整的轉(zhuǎn)換過程

模型使用一個(gè)姿勢檢測器 P : Y′ → X′來獲取源視頻中人物的姿勢關(guān)節(jié)，這些關(guān)節(jié)通過歸一化，轉(zhuǎn)換為姿勢條形圖中目標(biāo)人物的關(guān)節(jié)。而后，我們使用訓(xùn)練好的映射 G。

增加人臉真實(shí)感：圖像到圖像轉(zhuǎn)換的對抗訓(xùn)練

好了，現(xiàn)在“炫酷舞姿”的問題解決了，剩下的就是將目標(biāo)視頻中因?yàn)閯幼鞲淖兌S之模糊的臉部變得更加逼真而清晰。

為了實(shí)現(xiàn)這一點(diǎn)，研究人員將 pix2pixHD 的對抗性訓(xùn)練設(shè)置修改為:

(1) 產(chǎn)生時(shí)間相干視頻幀;

(2) 合成逼真的人臉圖像。

接下來將詳細(xì)描述原始目標(biāo)和對它的修改。

pix2pixHD 框架

方法是基于 pix2pixHD 中的目標(biāo)提出來的。在初始條件 GAN 設(shè)置中，生成器網(wǎng)絡(luò) G 對多尺度鑒別器 D = (D1,D2,D3) 進(jìn)行極大極小博弈。

其中，是對抗性損失：

讓動作更加連貫

時(shí)間平滑（Temporal Smoothing）設(shè)置

Face GAN

我們添加了一個(gè)專門的 GAN 設(shè)置，用于為面部區(qū)域添加更多細(xì)節(jié)和真實(shí)感，如下圖所示。

Face GAN 設(shè)置

在 Face GAN 中，通過生成器預(yù)測殘差，并將其添加到來自主生成器的原始面部預(yù)測中。

更進(jìn)一步：從pix2pix到pix2pixHD

我們探討了對 pix2pixHD baseline 的修改效果，并根據(jù)收集的數(shù)據(jù)集評估結(jié)果的質(zhì)量。

遷移的結(jié)果。每個(gè)部分顯示 5 個(gè)連續(xù)的幀。上面一行顯示 source subject，中間一行顯示規(guī)范化的 pose stick figures，下面一行顯示目標(biāo)人物的模型輸出。

不同模型合成結(jié)果的比較

人人都能在幾分鐘之內(nèi)，成為世界頂級舞者

總的來說，新的這個(gè)動作遷移模型能夠創(chuàng)建合理的、將任意長度的目標(biāo)人物跳舞的視頻，其中他們的舞姿跟隨另一個(gè)跳舞者的輸入視頻。雖然我們的設(shè)置在很多情況下都可以產(chǎn)生可信的結(jié)果，但偶爾會遇到幾個(gè)問題。

從根本上說，作為輸入的 pose stick figures 依賴于噪聲姿態(tài)估計(jì)，這些估計(jì)不會逐幀攜帶時(shí)間信息。在姿勢檢測中丟失關(guān)鍵點(diǎn)，關(guān)鍵點(diǎn)位置不正確，會將錯(cuò)誤引入到輸入中，并且這些失敗通常會延續(xù)到結(jié)果中，雖然我們嘗試了通過時(shí)間平滑設(shè)置來減輕這些限制。但即使我們試圖在設(shè)置中注入時(shí)間連貫性（temporal coherence），以及預(yù)平滑關(guān)鍵點(diǎn)，結(jié)果經(jīng)常仍然會受到抖動的影響。

雖然我們的全局姿勢歸一化方法合理地調(diào)整了任何源對象的運(yùn)動，使其與訓(xùn)練中看到的目標(biāo)人物的體型和位置相匹配，但這種簡單縮放和平移解決方案并未考慮不同的肢長和攝像機(jī)位置或角度。這些差異也會導(dǎo)致在訓(xùn)練和測試時(shí)看到的運(yùn)動之間存在更大的差距。

另外，2D 坐標(biāo)和缺失檢測限制了在對象之間重新定位運(yùn)動的方式，這些方法通常在 3D 中工作，需要有完美的關(guān)節(jié)位置和時(shí)間連貫運(yùn)動。

為了解決這些問題，需要在時(shí)間上連貫的視頻生成和人體運(yùn)動表示方面做更多的工作。雖然整體上 pose stick figures 產(chǎn)生了令人信服的結(jié)果，但我們希望在未來的工作中,通過使用為運(yùn)動遷移特別優(yōu)化的時(shí)間連貫輸入和表示來避免它所帶來的限制。

盡管存在這些挑戰(zhàn)，但我們的方法能夠在給出各種輸入的情況下制作吸引人的視頻。

難度被譽(yù)為最高的芭蕾舞黑天鵝48圈轉(zhuǎn)，可以換上自己的臉，想想還是有些小激動呢。