DensePose團隊在ECCV 2018發(fā)表又一杰作：密集人體姿態(tài)轉(zhuǎn)換！這是一個基于DensePose的姿勢轉(zhuǎn)換系統(tǒng)，僅根據(jù)一張輸入圖像和目標(biāo)姿勢，生成數(shù)字人物的動畫效果。

DensePose是Facebook研究員Natalia Neverova、Iasonas Kokkinos和法國INRIA的R?za Alp Guler開發(fā)的一個令人驚嘆的人體實時姿勢識別系統(tǒng)，它在2D圖像和人體3D模型之間建立映射，最終實現(xiàn)密集人群的實時姿態(tài)識別。

具體來說，DensePose利用深度學(xué)習(xí)將2D RPG圖像坐標(biāo)映射到3D人體表面，把一個人分割成許多UV貼圖（UV坐標(biāo)），然后處理密集坐標(biāo)，實現(xiàn)動態(tài)人物的精確定位和姿態(tài)估計。

DensePose模型以及數(shù)據(jù)集已經(jīng)開源，傳送門：

http://densepose.org/

最近，該團隊更進一步，發(fā)布了基于DensePose的一個姿勢轉(zhuǎn)換系統(tǒng)：Dense Pose Transfer，僅根據(jù)一張輸入圖像和目標(biāo)姿勢，創(chuàng)造出“數(shù)字化身”的動畫效果。

在這項工作中，研究者希望僅依賴基于表面（surface-based）的對象表示（object representations），類似于在圖形引擎中使用的對象表示，來獲得對圖像合成過程的更強把握。

研究者關(guān)注的重點是人體。模型建立在最近的SMPL模型和DensePose系統(tǒng)的基礎(chǔ)上，將這兩個系統(tǒng)結(jié)合在一起，從而能夠用完整的表面模型來說明一個人的圖像。

具體而言，這項技術(shù)是通過surface-based的神經(jīng)合成，渲染同一個人的不同姿勢，從而執(zhí)行圖像生成。目標(biāo)姿勢（target pose）是通過一個“pose donor”的圖像表示的，也就是指導(dǎo)圖像合成的另一個人。DensePose系統(tǒng)用于將新的照片與公共表面坐標(biāo)相關(guān)聯(lián)，并復(fù)制預(yù)測的外觀。

我們在DeepFashion和MVC數(shù)據(jù)集進行了實驗，結(jié)果表明我們可以獲得比最新技術(shù)更好的定量結(jié)果。

除了姿勢轉(zhuǎn)換的特定問題外，所提出的神經(jīng)合成與surface-based的表示相結(jié)合的方法也有希望解決虛擬現(xiàn)實和增強現(xiàn)實的更廣泛問題：由于surface-based的表示，合成的過程更加透明，也更容易與物理世界連接。未來，姿勢轉(zhuǎn)換任務(wù)可能對數(shù)據(jù)集增強、訓(xùn)練偽造檢測器等應(yīng)用很有用。

Dense Pose Transfer

研究人員以一種高效的、自下而上的方式，將每個人體像素與其在人體參數(shù)化的坐標(biāo)關(guān)聯(lián)起來，開發(fā)了圍繞DensePose估計系統(tǒng)進行姿勢轉(zhuǎn)換的方法。

我們以兩種互補的方式利用DensePose輸出，對應(yīng)于預(yù)測模塊和變形模塊（warping module），如圖1所示。

圖1：pose transfer pipeline的概覽：給定輸入圖像和目標(biāo)姿勢，使用DensePose來執(zhí)行生成過程。

變形模塊使用DensePose表面對應(yīng)和圖像修復(fù)（inpainting）來生成人物的新視圖，而預(yù)測模塊是一個通用的黑盒生成模型，以輸入和目標(biāo)的DensePose輸出作為條件。

這兩個模塊具有互補的優(yōu)點：預(yù)測模塊成功地利用密集條件輸出來為熟悉的姿勢生成合理的圖像；但它不能推廣的新的姿勢，或轉(zhuǎn)換紋理細(xì)節(jié)。

相比之下，變形模塊可以保留高質(zhì)量的細(xì)節(jié)和紋理，允許在一個統(tǒng)一的、規(guī)范的坐標(biāo)系中進行修復(fù)，并且可以自由地推廣到各種各樣的身體動作。但是，它是以身體為中心的，而不是以衣服為中心，因此沒有考慮頭發(fā)、衣服和配飾。

將這兩個模塊的輸出輸入到一個混合模塊（blending module）可以得到最好的結(jié)果。這個混合模塊通過在一個端到端可訓(xùn)練的框架中使用重構(gòu)、對抗和感知損失的組合，來融合和完善它們的預(yù)測。

圖2：warping stream上姿勢轉(zhuǎn)換的監(jiān)控信號：通過DensePose驅(qū)動的空間變換網(wǎng)絡(luò)，將左側(cè)的輸入圖像扭曲到固有的表面坐標(biāo)。

圖3：Warping模塊的結(jié)果

如圖3所示，在修復(fù)過程（inpainting process），可以觀察到一個均勻的表面，捕捉了皮膚和貼身衣服的外觀，但沒有考慮頭發(fā)、裙子或外衣，因為這些不適合DensePose的表面模型。

實驗和結(jié)果

我們在DeepFashion數(shù)據(jù)集上進行實驗，該數(shù)據(jù)集包含52712個時裝模特圖像，13029件不同姿勢的服裝。我們選擇了12029件衣服進行訓(xùn)練，其余1000件用于測試。

表1：根據(jù)結(jié)構(gòu)相似度(SSIM)、Inception Score(IS)[41]和detection score(DS)指標(biāo)，對DeepFashion數(shù)據(jù)集的幾種state-of-the-art方法進行定量比較。

我們首先將我們的框架與最近一些基于關(guān)鍵點的圖像生成或多視圖合成方法進行比較。

表1顯示，我們的pipeline在結(jié)構(gòu)逼真度（structural fidelity）方面有顯著優(yōu)勢。在以IS作為指標(biāo)的感知質(zhì)量方面，我們模型的輸出生成具有更高的質(zhì)量，或可與現(xiàn)有工作相媲美。

定性結(jié)果如圖4所示。

圖4：與最先進的Deformable GAN (DSC)方法的定性比較。

密集人體姿態(tài)轉(zhuǎn)換應(yīng)用

在這項工作中，我們介紹了一個利用密集人體姿態(tài)估計的two-stream姿態(tài)轉(zhuǎn)換架構(gòu)。我們已經(jīng)證明，密集姿勢估計對于數(shù)據(jù)驅(qū)動的人體姿勢估計而言是一種明顯優(yōu)越的調(diào)節(jié)信號，并且通過inpainting的方法在自然的體表參數(shù)化過程中建立姿勢轉(zhuǎn)換。在未來的工作中，我們打算進一步探索這種方法在照片級真實圖像合成，以及處理更多類別方面的潛力。

作者：

R?za Alp Güler，INRIA, CentraleSupélec

Natalia Neverova，F(xiàn)acebook AI Research

Iasonas Kokkinos，F(xiàn)acebook AI Research