魚羊 十三 發自 凹非寺

量子位 報道 | 公衆號 QbitAI

動畫，動畫，就是你動你的，我畫我的。

就像下面這張GIF，左邊是張靜態圖片，隨着畫者一點一點爲其勾勒色彩，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、風格甚至是樣式。

當然，更厲害的還在後面。

拿一張你的卡通頭像圖片，隨意對其修改，頂着這張頭像，坐在鏡頭前的你，也會實時發生改變。

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。

真可謂是這邊動着，那邊畫着，動畫就出來了。

而且整個過程無需冗長的訓練過程，也不需要大規模訓練數據集，研究也提交至SIGGRAPH 2020。

那麼，這麼神奇的效果到底是如何做到的呢？

交互式視頻風格化

首先，輸入一個由 N 幀組成的視頻序列 I。

如下圖所示，對於任何一幀 Ii，可以選擇用蒙版 Mi來劃定風格遷移的區域，或者是對整一幀進行風格遷移。

用戶需要做的是提供風格化的關鍵幀 Sk，其風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格化，也不需要對來自不同關鍵幀的風格化內容進行顯式合併。

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的手繪示例 Sk 中學習風格，並將其“翻譯”給視頻序列 I 中的任何一幀。

這個圖像轉換框架基於 U-net 實現。並且，研究人員採用基於圖像塊（patch-based）的訓練方式和抑制視頻閃爍的解決方案，解決了少樣本訓練和時間一致性的問題。

基於圖像塊的訓練策略

關鍵幀是少樣本數據，爲了避免過擬合，研究人員採用了基於圖像塊的訓練策略。

從原始關鍵幀（Ik）中隨機抽取一組圖像塊（a），在網絡中生成它們的風格化對應塊（b）。

然後，計算這些風格化對應塊（b）相對於從風格化關鍵幀（Sk）中取樣對應圖像塊的損失，並對誤差進行反向傳播。

這樣的訓練方案不限於任何特定的損失函數。本項研究中，採用的是L1損失、對抗性損失和VGG損失的組合。

超參數優化

解決了過擬合之後，還有一個問題，就是超參數的優化。不當的超參數可能會導致推理質量低下。

研究人員使用網格搜索法，對超參數的4維空間進行採樣：Wp——訓練圖像塊的大小；Nb——一個batch中圖像塊的數量；α——學習率；Nr——ResNet塊的數量。

對於每一個超參數設置：（1）執行給定時間訓練；（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。

而目標就是將這個損失最小化。

提高時間一致性

訓練好了翻譯網絡，就可以在顯卡上實時或並行地實現視頻風格遷移了。

不過，研究人員發現在許多情況下，視頻閃爍仍很明顯。

第一個原因，是原始視頻中存在時態噪聲。爲此，研究人員採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，是風格化內容的視覺歧義。解決方法是，提供一個額外的輸入層，以提高網絡的判別能力。

該層由一組隨機2維高斯分佈的稀疏集合組成，能幫助網絡識別局部上下文，並抑制歧義。

不過，研究人員也提到了該方法的侷限性：

當出現新的沒有被風格化的特徵時，該方法通常不能爲其生成一致的風格化效果。需要提供額外的關鍵幀來使風格化一致。

處理高分辨率（如4K）關鍵幀比較困難

使用運動補償的雙邊濾波器，以及隨機高斯混合層的創建，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

這項研究一作爲Ondřej Texler，布拉格捷克理工大學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於此。主要研究興趣是計算機圖形學、圖像處理、計算機視覺和深度學習。

除了一作之外，我們還發現一位華人作者——柴蒙磊。博士畢業於浙江大學，目前爲Snap Research創意視覺(Creative Vision)組的資深研究科學家。

主要從事計算機視覺和計算機圖形學的研究，主攻人類數字化、圖像處理、三維重建和基於物理的動畫。

— 完 —