AI把特朗普變成了dancer，跟著蔡徐坤跳起了『雞你太美』
本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。
“好家伙！”
“現在的Paper也是越來越皮了”。正在開心摸魚的同事，邊說邊給我發過來一段Demo。
原來『寶藏男孩』特朗普又被玩壞了。
『被逼著』跟蔡徐坤跳起了“雞你太美”（諧音梗）。
（川寶：AI不講武德！）
跟二次元蘿莉跳起了萌系宅舞。
（川寶：給我頂小紅帽，跳的比她好[傲嬌臉]）
跟印度小哥跳起了Jackson的經典舞步。
（川寶：快看我的舞姿是不是很性感？）
看完Demo，正為找不到選題瘋狂薅頭發的小編我，一時也是驚住了：好家伙！今天的選題有了！
火速讓同事把資料推給了我。
原來逼著川寶大秀舞姿的是上海科技大學研究團隊的最新AI，這篇AI論文名為——《Liquid Warping GAN with Attention：A Unified Frame work for Human Images Synthesis》
簡單理解就是，基于特定框架的AI，能夠完成運動仿真、外觀轉換以及新視圖合成等人體圖像處理任務。上面特朗普的舞蹈Demo是AI合成的最終演示效果。（獲取完整視頻見文末）
接下來，我們來扒一扒它背后的合成原理。
『注意型液化GAN』模型
人體圖像合成，在影視制作、游戲制作、角色動畫/轉換、虛擬服裝試穿等方面有著巨大的潛在應用。
一般來講，在給定一個源人體圖像和參考圖像下，它需要完成三項任務：
1、運動仿真：生成一個具有源人類紋理和參考人類姿勢的圖像。
2、新視圖合成：從不同視角捕捉人體新圖像并合成。
3、外觀轉換：在參照人體圖像穿著衣服時，生成保持源面部身份的人類圖像。（不同人可能穿同樣的衣服）
在處理以上任務時，現有方法主要采用2D關鍵點來估計人體結構。
然而，它們僅表達位置信息，無法表征人的個性化形狀并模擬肢體旋轉。對此，研究人員提出了一套全新的模型處理框架：
它包括身體網格恢復模塊（Body Mesh Recovery），流合成模塊（Flow Composition），以及帶有液體翹曲塊（Liquid Warping Block ，LWB) 的GAN模塊三個部分。
Isi為給定源圖像，lr為參考圖像
其中，使用3D身體網格恢復模塊用來解開人體姿勢和形狀，不僅可以模擬關節的位置和旋轉，還可以表征個性化的身體形狀；使用帶有液體翹曲塊（AttLWB）的GAN，保留紋理，樣式，顏色和臉部身份等源信息；將圖像和特征空間中的源信息傳播到合成參考，通過去噪卷積自動編碼器提取源特征，以很好地表征源身份。
具體方法如下：
Body Mesh Recovery：其作用是預測運動姿態（肢體旋轉）和形狀參數，以及每個圖像的三維網格。主要使用HMR進行三維姿態和形狀估計。
Flow Composition：在已有估計基礎上，利用攝像機視圖，為每個源網格和參考網格繪制一個對應圖和一個權重索引圖。主要使用完全可微的渲染器—神經網格渲染器（NMR）來完成。
Attentional Liquid Warping GAN：該階段負責合成高保真的人體圖像。它需要完成：
1）合成背景圖像。
采用Three-stream的方法：包括GBG流，對被遮罩的背景圖像和在顏色信道中獲得的掩模進行級聯；源標識流GSID，引導編碼器提取能夠保留源信息的特征；源標識流GT-SF，由雙線性取樣器接收扭曲前景，對應映射作為輸入，以合成最終結果。
2）基于可見部分預測不可見部分的顏色。
采用鑒別器進行識別，它是一個全局-局部內容導向（Global-Local Contentorientation）架構，包括全局鑒別器DGlobal，身體鑒別器DBody和面部鑒別器三個部分。
3）從SMPL重建中生成衣服、頭發等像素。
這里主要采用了注意力液化塊（如下圖），它在舊有方法上解決了在人體運動仿真中，源圖像多視點輸入，以及在外觀傳遞中，服裝的不同部位來自不同的人等問題。
除此之外，為了提高泛化能力，研究人員引入了一種一次/幾次學習策略。
創建數據集
除了模型外，要想得到高保真輸出效果，還需要有高質量的數據集。
研究人員建立了三個測試/訓練數據集和一個評估數據集。分別為Impersonator、MotionSynthetic、FashionVideo和Youtube-Dancer-18.
Impersonator（iPER），是一個具有多種樣式、不同人物穿不同衣服的數據集。
它有206個視頻、241564幀畫面。涉及30名受試者，每個受試者穿著不同的衣服（共103件衣服。），表演一個A形視頻和一個隨機動作的視頻。
另外，iPER還包括了他們的動作、服裝、身高和體重分布等統計信息。
MotionSynthetic運動合成數據集，創建該數據集的目的是便于對人體穿著的真實感進行綜合評價，特別是通過合成的圖像數據集，可以對不同的服裝外觀進行綜合評價。
該數據集總共有120個網格，所有這些具有UV紋理圖像的網格都已在SMPL中注冊。對于每個網格，從Mixamo中選擇一個姿勢序列，從互聯網上選擇一個背景圖像。基于網格、UV圖像、姿勢序列和背景圖像等信息，采用核磁共振（NMR）對合成圖像進行渲染，總共得到39529幀。
再根據不同的網格劃分為8:2的訓練/測試集，如下圖中的合成圖像。
FashionVideo：它包含500個訓練和100個測試視頻，其中每個女模穿著Fashion的衣服，服裝和質地千差萬別，手勢卻很少。每個視頻大約有350幀。另外，這個數據集缺乏背景的多樣性，所有的背景都是黑色的。如圖：
Youtube-Dancer-18：是作為評估數據集，對該方法的有效性和通用性進行檢驗。它全部是從YouTube平臺下來來的，總共18個，每個視頻持續4到12分鐘。（如上圖Dancer）
需要說明的是，研究人員沒有在這個數據集中訓練模型，只是對SN幀進行了個性化采樣，并直接對該數據集進行測試，以評估現有所有方法的泛化能力。
經過實驗分析，與現有其他方法，該方法在運動仿真、外觀轉換以及新視圖合成三項綜合任務上均達到了最佳性能。我們再來看一組演示Demo：
研究團隊
如之前所述，這項AI研究團隊來自上海科技大學。
高盛華，是上海科技大學副教授，博士生導師。也是該項研究的通訊作者。他2008年獲得中國科技大學理學學士學位（優秀畢業生），2012年獲得南洋理工大學博士學位，2012至2014年，在新加坡高級數字科學中心擔任博士后。
他的研究興趣包括計算機視覺和機器學習。
該項研究的一作是上海科技大學在讀博士—Wen Liu。
他的研究方向主要集中在人體三維重建、圖像合成、運動傳遞、新視角合成、神經繪制和視頻異常檢測等方面。
其他作者還有：深圳騰訊AI實驗室的首席研究員Lin Ma，主研計算機視覺、多模式深度學習領域；上海科技大學碩士Zhixin Piao，主要研究課題是人體三維重建和運動傳遞；上海科技大學本科畢業生Zhi Tu，研究課題是人體運動傳遞和醫學圖像分析；英國倫敦帝國理工學院博士羅文漢，其研究方向包括計算機視覺和機器學習的幾個主題，如運動分析、圖像/視頻質量恢復、目標檢測與識別、強化學習等。
論文地址：https://arxiv.org/pdf/2011.09055v2.pdf
YouTube地址：https://www.youtube.com/watch?v=Zkrcx3_DtCw&feature=youtu.be
