金磊 发自 凹非寺量子位 报道 | 公众号 QbitAI

先给一张侧脸（关键帧1）：

再给一张正脸（关键帧2）：

然后仅仅根据这两张图片，AI处理了一下，便能生成整个运动过程：

而且不只是简单的那种，连在运动过程中的眨眼动作也“照顾”得很到位。

效果一出，便在Reddit上引发了不少热议：

仅需2个关键帧，如何实现完整运动？

不需要冗长的训练过程。不需要大量的训练数据集。

这是论文作者对本次工作提出的两大亮点。

具体而言，这项工作就是基于关键帧将视频风格化。

先输入一个视频序列 I ，它由N个帧组织，每一帧都有一个掩膜Mi来划分感兴趣的区域。

与此前方法不同的是，这种风格迁移是以随机顺序进行的，不需要等待顺序靠前的帧先完成风格化，也不需要对来自不同关键帧的风格化内容进行显式合并。

也就是说，该方法实际上是一种翻译过滤器，可以快速从几个异构的手绘示例 Sk 中学习风格，并将其“翻译”给视频序列 I 中的任何一帧。

这个图像转换框架基于 U-net 实现。并且，研究人员采用基于图像块（patch-based）的训练方式和抑制视频闪烁的解决方案，解决了少样本训练和时间一致性的问题。

而为了避免过拟合，研究人员采用了基于图像块的训练策略。

从原始关键帧（Ik）中随机抽取一组图像块（a），在网络中生成它们的风格化对应块（b）。

然后，计算这些风格化对应块（b）相对于从风格化关键帧（Sk）中取样对应图像块的损失，并对误差进行反向传播。

这样的训练方案不限于任何特定的损失函数。本项研究中，采用的是L1损失、对抗性损失和VGG损失的组合。

另一个问题便是超参数的优化。

这是因为不当的超参数可能会导致推理质量低下。

研究人员使用网格搜索法，对超参数的4维空间进行采样：Wp——训练图像块的大小；Nb——一个batch中块的数量；α——学习率；Nr——ResNet块的数量。

对于每一个超参数设置：

（1）执行给定时间训练；

（2）对不可见帧进行推理；

（3）计算推理出的帧（O4）和真实值（GT4）之间的损失。

而目标就是将这个损失最小化。

团队介绍

这项研究一作为Ondej Texler，布拉格捷克理工大学计算机图形与交互系的博士生。

而除了此次的工作之外，先前他和团队也曾做过许多有意思的工作。

例如一边画着手绘画，一边让它动起来。

再例如给一张卡通图片，便可让视频中的你顶着这张图“声情并茂”。