必威登录网站_西汉姆联必威

必威登录网站已成为一流的线上娱乐城,西汉姆联必威演绎了世界之中的各种生灵的使命与追求,因为目前很多玩家都还在排队等着进行betway必威官网备用下载,点击进入官网。

用DensePose,教照片里的人学跳舞,系群体鬼畜

2019-09-22 作者:数据解读   |   浏览(158)

原标题:【ECCV 2018】Facebook开发姿态转换模型,只需一张照片就能让它跳舞(视频)

原标题:用DensePose,教照片里的人学跳舞,系群体鬼畜 | ECCV 2018

图片 1

栗子 发自 凹非寺

倒计时**10**天

图片 2

怎样让一个面朝镜头静止不动的妹子,跳起你为她选的舞蹈,把360度身姿全面呈现?

来源:ECCV 2018

Facebook团队,把负责感知的多人姿势识别模型DensePose,与负责生成深度生成网络结合起来。

编辑:肖琴

不管是谁的感人姿势,都能附体到妹子身上,把她单一的静态,变成丰富的动态。

【新智元导读】DensePose团队在ECCV 2018发表又一杰作:密集人体姿态转换!这是一个基于DensePose的姿势转换系统,仅根据一张输入图像和目标姿势,生成数字人物的动画效果。

图片 3

DensePose 是 Facebook 研究员 Natalia Neverova、Iasonas Kokkinos 和法国 INRIA 的 Rıza Alp Guler 开发的一个令人惊叹的人体实时姿势识别系统,它在 2D 图像和人体3D 模型之间建立映射,最终实现密集人群的实时姿态识别。

这项研究成果,入选了ECCV 2018

具体来说,DensePose 利用深度学习将 2D RPG 图像坐标映射到 3D 人体表面,把一个人分割成许多 UV 贴图(UV 坐标),然后处理密集坐标,实现动态人物的精确定位和姿态估计。

当然不能只有DensePose

图片 4

团队把SMPL多人姿态模型,跟DensePose结合到一起。这样一来,就可以用一个成熟的表面模型来理解一张图片。

DensePose 模型以及数据集已经开源,传送门:

这项研究,是用基于表面的神经合成,是在闭环里渲染一张图像,生成各种新姿势。

图片 5

最近,该团队更进一步,发布了基于 DensePose 的一个姿势转换系统:Dense Pose Transfer,仅根据一张输入图像和目标姿势,创造出 “数字化身” 的动画效果。

左为源图像,中为源图姿势,右为目标姿势

图片 6

照片中人需要学习的舞姿,来自另一个人的照片,或者视频截图。

在这项工作中,研究者希望仅依赖基于表面(surface-based)的对象表示(object representations),类似于在图形引擎中使用的对象表示,来获得对图像合成过程的更强把握。

DensePose系统,负责把两张照片关联起来。具体方法是,在一个公共表面UV坐标系 (common surface coordinates) 里,给两者之间做个映射

研究者关注的重点是人体。模型建立在最近的 SMPL 模型和 DensePose 系统的基础上,将这两个系统结合在一起,从而能够用完整的表面模型来说明一个人的图像。

但如果单纯基于几何来生成,又会因为DensePose采集数据不够准确,还有图像里的自我遮挡 (比如身体被手臂挡住) ,而显得不那么真实。

下面的视频展示了更多生成结果:

图片 7

具体而言,这项技术是通过 surface-based 的神经合成,渲染同一个人的不同姿势,从而执行图像生成。目标姿势(target pose)是通过一个 “pose donor” 的图像表示的,也就是指导图像合成的另一个人。DensePose 系统用于将新的照片与公共表面坐标相关联,并复制预测的外观。

DensePose提取的质地 (左) vs 修复后的质地 (右)

我们在 DeepFashion 和 MVC 数据集进行了实验,结果表明我们可以获得比最新技术更好的定量结果。

那么,团队处理遮挡的方法是,在表面坐标系里,引入一个图像修复(Impainting) 网络。把这个网络的预测结果,和一个更传统的前馈条件和成模型预测结合起来。

除了姿势转换的特定问题外,所提出的神经合成与 surface-based 的表示相结合的方法也有希望解决虚拟现实和增强现实的更广泛问题:由于 surface-based 的表示,合成的过程更加透明,也更容易与物理世界连接。未来,姿势转换任务可能对数据集增强、训练伪造检测器等应用很有用。

这些预测是各自独立进行的,然后再用一个细化模块来优化预测结果。把重构损失对抗损失感知损失结合起来,优势互补,得出最终的生成效果。

Dense Pose Transfer

图片 8

研究人员以一种高效的、自下而上的方式,将每个人体像素与其在人体参数化的坐标关联起来,开发了围绕 DensePose 估计系统进行姿势转换的方法。

完整的网络结构,就如上图这般。

我们以两种互补的方式利用 DensePose 输出,对应于预测模块和变形模块(warping module),如图 1 所示。

监督学习一下

图片 9

模型的监督学习过程,是这样的:

图 1:pose transfer pipeline 的概览:给定输入图像和目标姿势,使用 DensePose 来执行生成过程。

图片 10

变形模块使用 DensePose 表面对应和图像修复(inpainting)来生成人物的新视图,而预测模块是一个通用的黑盒生成模型,以输入和目标的 DensePose 输出作为条件。

从输入的源图像开始,先把它的每个像素对应到UV坐标系里。这一步是DensePose驱动的迁移网络完成的。

这两个模块具有互补的优点:预测模块成功地利用密集条件输出来为熟悉的姿势生成合理的图像;但它不能推广的新的姿势,或转换纹理细节。

然后,负责修复图像的自编码器,就来预测照片中人的不同角度会是什么样子。这步预测,也是在扭曲的坐标系里完成的。

相比之下,变形模块可以保留高质量的细节和纹理,允许在一个统一的、规范的坐标系中进行修复,并且可以自由地推广到各种各样的身体动作。但是,它是以身体为中心的,而不是以衣服为中心,因此没有考虑头发、衣服和配饰。

从右边开始,就是生成目标,同样要整合到UV坐标系中。再用损失函数来处理 (上图红字部分) 把结果输入自编码器,帮助模型学习。

将这两个模块的输出输入到一个混合模块(blending module)可以得到最好的结果。这个混合模块通过在一个端到端可训练的框架中使用重构、对抗和感知损失的组合,来融合和完善它们的预测。

用同一人物 (同样装扮) 的多个静态姿势来作监督,替代了360度旋转的人体。

图片 11

训练成果如何

图 2:warping stream 上姿势转换的监控信号:通过 DensePose 驱动的空间变换网络,将左侧的输入图像扭曲到固有的表面坐标。

先来看一下,新加入的图像修复步骤,生成的效果:

图片 12

图片 13

图 3:Warping 模块的结果

把DensePose的质地纹路,修复一下,还是有明显效果的。

如图 3 所示,在修复过程(inpainting process),可以观察到一个均匀的表面,捕捉了皮肤和贴身衣服的外观,但没有考虑头发、裙子或外衣,因为这些不适合 DensePose的表面模型。

再来看一下多人视频什么样子:

实验和结果

图片 14

我们在 DeepFashion 数据集上进行实验,该数据集包含 52712 个时装模特图像,13029 件不同姿势的服装。我们选择了 12029 件衣服进行训练,其余 1000 件用于测试。

虽然,脸部好像烧焦的样子,但已经很鬼畜了。在下不由得想起:

图片 15

图片 16

表1:根据结构相似度 (SSIM)、 Inception Score(IS)[41] 和 detection score(DS)指标,对DeepFashion 数据集的几种 state-of-the-art 方法进行定量比较。

另外团队用DeepFashion数据集,对比了一下自家算法和其他同行。

我们首先将我们的框架与最近一些基于关键点的图像生成或多视图合成方法进行比较。

结果是,结构相似度(Structural Similarity) ,以假乱真度 (Inception Score) 以及检测分 (Detection Score) 这三项指标,Facebook家的算法表现都超过了前辈。

表 1 显示,我们的 pipeline 在结构逼真度(structural fidelity)方面有显著优势。在以IS 作为指标的感知质量方面,我们模型的输出生成具有更高的质量,或可与现有工作相媲美。

图片 17

定性结果如图 4 所示。

各位请持续期待,DensePose更多鬼畜的应用吧。

图片 18

论文传送门:

图 4:与最先进的 Deformable GAN (DSC) 方法的定性比较。

密集人体姿态转换应用

顺便一提,教人学跳舞的算法真的不少。

在这项工作中,我们介绍了一个利用密集人体姿态估计的 two-stream 姿态转换架构。我们已经证明,密集姿势估计对于数据驱动的人体姿势估计而言是一种明显优越的调节信号,并且通过 inpainting 的方法在自然的体表参数化过程中建立姿势转换。在未来的工作中,我们打算进一步探索这种方法在照片级真实图像合成,以及处理更多类别方面的潜力。

比如,伯克利舞痴变舞王,优点是逼真,缺点是无法实现多人共舞

作者:

图片 19

图片 20



  • Rıza Alp Güler,INRIA, CentraleSupélec
  • Natalia Neverova,Facebook AI Research
  • Iasonas Kokkinos,Facebook AI Research

vs

论文:

图片 21

新智元AI WORLD 2018大会倒计时 10

华为云•普惠AI,让开发充满AI!

返回搜狐,查看更多

爱上你的代码,爱做 “改变世界”的行动派!

大会将首次发布AI开发框架,从AI模型训练到AI模型部署的全套开发一站式完成!让AI开发触手可及!返回搜狐,查看更多

责任编辑:

责任编辑:

本文由必威登录网站发布于数据解读,转载请注明出处:用DensePose,教照片里的人学跳舞,系群体鬼畜

关键词: 必威登录网站 开发 技术 Facebook