一邊動，一邊畫，自己就變二次元！華人小哥參與的黑科技：實時交互式視頻風(fēng)格化
動畫“新概念”
魚羊 十三 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
動畫，動畫，就是你動你的，我畫我的。
就像下面這張GIF，左邊是張靜態(tài)圖片，隨著畫者一點一點為其勾勒色彩，右邊的動圖也在實時地變換顏色。
這就是來自布拉格捷克理工大學(xué)和Snap研究所的黑科技——**只需要2個特定的幀，就能實時變換視頻中對象的顏色、風(fēng)格甚至是樣式。
當(dāng)然，更厲害的還在后面。
拿一張你的卡通頭像圖片，隨意對其修改，頂著這張頭像，坐在鏡頭前的你，也會實時發(fā)生改變。
甚至，你還可以一邊畫自己，一邊欣賞自己慢慢變成動畫效果的過程。
真可謂是這邊動著，那邊畫著，動畫就出來了。
而且整個過程無需冗長的訓(xùn)練過程，也不需要大規(guī)模訓(xùn)練數(shù)據(jù)集，研究也提交至SIGGRAPH 2020。
那么，這么神奇的效果到底是如何做到的呢？
交互式視頻風(fēng)格化
首先，輸入一個由 N 幀組成的視頻序列 I。
如下圖所示，對于任何一幀 Ii，可以選擇用蒙版 Mi來劃定風(fēng)格遷移的區(qū)域，或者是對整一幀進行風(fēng)格遷移。
用戶需要做的是提供風(fēng)格化的關(guān)鍵幀 Sk，其風(fēng)格會被以在語義上有意義的方式傳遞到整個視頻序列中。
與此前方法不同的是，這種風(fēng)格遷移是以隨機順序進行的，不需要等待順序靠前的幀先完成風(fēng)格化，也不需要對來自不同關(guān)鍵幀的風(fēng)格化內(nèi)容進行顯式合并。
也就是說，該方法實際上是一種翻譯過濾器，可以快速從幾個異構(gòu)的手繪示例 Sk 中學(xué)習(xí)風(fēng)格，并將其“翻譯”給視頻序列 I 中的任何一幀。
這個圖像轉(zhuǎn)換框架基于 U-net 實現(xiàn)。并且，研究人員采用基于圖像塊（patch-based）的訓(xùn)練方式和抑制視頻閃爍的解決方案，解決了少樣本訓(xùn)練和時間一致性的問題。
基于圖像塊的訓(xùn)練策略
關(guān)鍵幀是少樣本數(shù)據(jù)，為了避免過擬合，研究人員采用了基于圖像塊的訓(xùn)練策略。
從原始關(guān)鍵幀（Ik）中隨機抽取一組圖像塊（a），在網(wǎng)絡(luò)中生成它們的風(fēng)格化對應(yīng)塊（b）。
然后，計算這些風(fēng)格化對應(yīng)塊（b）相對于從風(fēng)格化關(guān)鍵幀（Sk）中取樣對應(yīng)圖像塊的損失，并對誤差進行反向傳播。
這樣的訓(xùn)練方案不限于任何特定的損失函數(shù)。本項研究中，采用的是L1損失、對抗性損失和VGG損失的組合。
超參數(shù)優(yōu)化
解決了過擬合之后，還有一個問題，就是超參數(shù)的優(yōu)化。不當(dāng)?shù)某瑓?shù)可能會導(dǎo)致推理質(zhì)量低下。
研究人員使用網(wǎng)格搜索法，對超參數(shù)的4維空間進行采樣：Wp——訓(xùn)練圖像塊的大??；Nb——一個batch中圖像塊的數(shù)量；α——學(xué)習(xí)率；Nr——ResNet塊的數(shù)量。
對于每一個超參數(shù)設(shè)置：（1）執(zhí)行給定時間訓(xùn)練；（2）對不可見幀進行推理；（3）計算推理出的幀（O4）和真實值（GT4）之間的損失。
而目標(biāo)就是將這個損失最小化。
提高時間一致性
訓(xùn)練好了翻譯網(wǎng)絡(luò)，就可以在顯卡上實時或并行地實現(xiàn)視頻風(fēng)格遷移了。
不過，研究人員發(fā)現(xiàn)在許多情況下，視頻閃爍仍很明顯。
第一個原因，是原始視頻中存在時態(tài)噪聲。為此，研究人員采用了在時域中運行的雙邊濾波器的運動補償變體。
第二個原因，是風(fēng)格化內(nèi)容的視覺歧義。解決方法是，提供一個額外的輸入層，以提高網(wǎng)絡(luò)的判別能力。
該層由一組隨機2維高斯分布的稀疏集合組成，能幫助網(wǎng)絡(luò)識別局部上下文，并抑制歧義。
不過，研究人員也提到了該方法的局限性：
當(dāng)出現(xiàn)新的沒有被風(fēng)格化的特征時，該方法通常不能為其生成一致的風(fēng)格化效果。需要提供額外的關(guān)鍵幀來使風(fēng)格化一致。
處理高分辨率（如4K）關(guān)鍵幀比較困難
使用運動補償?shù)碾p邊濾波器，以及隨機高斯混合層的創(chuàng)建，需要獲取多個視頻幀，對計算資源的要求更高，會影響實時視頻流中實時推理的效果。（Demo的實時捕獲會話中，沒有采用提高時間一致性的處理方法）
研究團隊
這項研究一作為Ond?ej Texler，布拉格捷克理工大學(xué)計算機圖形與交互系的三年級博士生。
本科和碩士也均畢業(yè)于此。主要研究興趣是計算機圖形學(xué)、圖像處理、計算機視覺和深度學(xué)習(xí)。
除了一作之外，我們還發(fā)現(xiàn)一位華人作者——柴蒙磊。博士畢業(yè)于浙江大學(xué)，目前為Snap Research創(chuàng)意視覺(Creative Vision)組的資深研究科學(xué)家。
主要從事計算機視覺和計算機圖形學(xué)的研究，主攻人類數(shù)字化、圖像處理、三維重建和基于物理的動畫。
傳送門
項目地址：
https://ondrejtexler.github.io/patch-based_training/
— 完 —
相關(guān)閱讀
