UC Berkeley近日發(fā)表了一篇論文，題目簡潔明了：Everybody Dance Now，大家一起跳起來！沒錯(cuò)，這個(gè)被網(wǎng)友稱為“mad lab”的實(shí)驗(yàn)室提出了一種框架，把專業(yè)舞蹈演員的動(dòng)作遷移到不會跳舞的人身上，不論是酷酷的街舞還是優(yōu)雅的芭蕾，效果簡直是神同步，流暢度和還原度都非常高。下面跟著論智一起看看這篇論文吧。

我們在這篇文章中提出了一個(gè)簡單的方法進(jìn)行動(dòng)作遷移：首先選擇一支單人跳舞視頻作為源視頻，幾分鐘后，在另一個(gè)目標(biāo)視頻上（完全不會跳舞的人）會呈現(xiàn)同樣的動(dòng)作。我們將這一問題看作是每一幀上圖像到圖像的轉(zhuǎn)換，同時(shí)保證時(shí)間和空間的流暢。用動(dòng)作探測器作為源視頻和目標(biāo)視頻中間的表示，我們學(xué)習(xí)了一種從舞者動(dòng)作畫面到目標(biāo)物體的映射，并且對這一設(shè)置進(jìn)行調(diào)整，讓它與視頻完美融合，同時(shí)還加上了真實(shí)的人臉合成。

先放個(gè)視頻感受一下這驚艷的效果，在后半部分的補(bǔ)充案例中，還展示了芭蕾舞的遷移。可以看到，原視頻中芭蕾舞演員的大腿部分被裙子遮擋，但是映射到目標(biāo)視頻中，大腿動(dòng)作也能正確呈現(xiàn)，效果滿分！

簡介

我們提出了一種方法，實(shí)現(xiàn)了動(dòng)作在不同視頻中的不同人物之間的轉(zhuǎn)換。現(xiàn)在有兩段視頻，其中一段是我們希望進(jìn)行合成的目標(biāo)（不會跳舞的人），另一個(gè)是模仿的源視頻（專業(yè)舞者）。我們通過基于像素的端到端通道實(shí)現(xiàn)了這一動(dòng)作遷移。這一方法與過去二十年常見的最近鄰搜索或3D中的重新制定目標(biāo)動(dòng)作不同。通過這一框架，我們讓很多未經(jīng)訓(xùn)練的人跳出了芭蕾和街舞。

為了實(shí)現(xiàn)兩視頻之間每幀的動(dòng)作遷移，我們必須學(xué)習(xí)一種兩個(gè)人物之間的映射。我們的目標(biāo)是在源視頻和目標(biāo)視頻之間進(jìn)行圖像到圖像的轉(zhuǎn)換。然而，我們沒有兩個(gè)目標(biāo)物體做出同樣動(dòng)作的圖片，也就無法直接對這一轉(zhuǎn)換進(jìn)行監(jiān)督學(xué)習(xí)。即使視頻中的兩個(gè)人做出一系列同樣的動(dòng)作，還是很難提取每一幀的姿勢，因?yàn)樯眢w形狀和風(fēng)格完全不同。

我們發(fā)現(xiàn)，能體現(xiàn)身體各部分位置的關(guān)鍵點(diǎn)可以用作二者之間的表示。于是，我們設(shè)計(jì)了用來體現(xiàn)動(dòng)作的“中間表示（火柴人）”，如圖所示：

從目標(biāo)視頻中，我們用動(dòng)作識別器為每一幀制作了(火柴人, 目標(biāo)人物圖像)的組合。有了這樣相關(guān)的數(shù)據(jù)，我們就能用監(jiān)督方法學(xué)習(xí)火柴人和目標(biāo)人物之間圖像到圖像的轉(zhuǎn)換模型了。于是，我們的模型通過訓(xùn)練，可以生成個(gè)性化的視頻。之后，為了將源視頻的動(dòng)作遷移到目標(biāo)視頻中，我們把火柴人輸入到經(jīng)過訓(xùn)練的模型后，得到和源視頻中人物相同的目標(biāo)動(dòng)作。另外，為了提高生成的質(zhì)量，我們添加了兩個(gè)元素。為了使生成的模型更流暢，我們都會根據(jù)上一幀對目前的幀進(jìn)行預(yù)測。為了提高生成人臉的真實(shí)性，我們還加入了經(jīng)過訓(xùn)練的GAN來生成目標(biāo)人物的臉部。

具體方法

這一任務(wù)大致分為三步：動(dòng)作檢測、全局動(dòng)作規(guī)范化和動(dòng)作映射。訓(xùn)練和遷移過程如下圖所示：

模型通過探測器P創(chuàng)造目標(biāo)視頻中人物所對應(yīng)的火柴人。訓(xùn)練時(shí)，我們學(xué)習(xí)了映射G和一個(gè)對抗判別器D。D的作用是嘗試判斷火柴人和視頻中的人是否符合。

下面一行是遷移過程。我們用動(dòng)作探測器P：Y’→X’來獲得源視頻中的火柴人形象，這個(gè)火柴人形象通過歸一化處理變成了為目標(biāo)人物設(shè)計(jì)的火柴人。接著對其應(yīng)用經(jīng)過訓(xùn)練的映射G即可。

為了讓效果更真實(shí)，我們還專門增加了生成對抗網(wǎng)絡(luò)設(shè)置，讓面部更真實(shí)，效果也顯著提高。

網(wǎng)絡(luò)架構(gòu)

為了提取身體、面部和手部的動(dòng)作關(guān)鍵點(diǎn)，我們使用了最先進(jìn)的動(dòng)作檢測器OpenPose。在圖像轉(zhuǎn)換階段，我們使用了Wang等人提出的pix2pixHD模型。對于面部圖像的生成，我們沒有使用完全的pix2pixHD生成器，而是利用pix2pixHD的全局生成器。

實(shí)驗(yàn)對比

由于我們沒有標(biāo)準(zhǔn)答案，為了對比兩個(gè)不同視頻中的目標(biāo)人物，我們分析了目標(biāo)人物的重建過程（也就是將源視頻人物當(dāng)做目標(biāo)人物）。另外，為了評估每一幀的生成質(zhì)量，我們測量了結(jié)構(gòu)相似度（SSIM）和學(xué)習(xí)認(rèn)知圖像補(bǔ)丁相似性（LPIPS）。

除此之外，我們還在每個(gè)系統(tǒng)的輸出上應(yīng)用了動(dòng)作檢測器P，比較這些重建之后的關(guān)鍵點(diǎn)和原始的動(dòng)作有何不同。

遷移結(jié)果。最上方的是源目標(biāo)人物，中間是對應(yīng)的“火柴人”，最下面一行是輸出的目標(biāo)人物動(dòng)作

我們對比了標(biāo)準(zhǔn)pix2pixHD、只含有流暢度設(shè)置的我們模型版本（T.S.）以及我們模型的最終版本（有流暢設(shè)置和人臉GAN）。首先，三種模式下相似度的對比如圖：

而在臉部區(qū)域，三種生成圖像的質(zhì)量對比：

可以看到，我們的完整版模型的分?jǐn)?shù)是最好的。

討論

看過這篇論文后，許多人只有一個(gè)反應(yīng)：“Amazing?。　钡拇_，效果這么好的視頻生成技術(shù)未來可應(yīng)用的場景有很多，比如電影拍攝、VR動(dòng)畫等等。但也有人表示擔(dān)心，會不會像之前的deepfakes換臉一樣，再產(chǎn)生一堆虛假視頻？