文章目录

解决问题
算法
- TPS运动估计
- 多分辨率遮挡Mask
- 训练损失函数
- 测试阶段
实验
结论

论文：《Thin-Plate Spline Motion Model for Image Animation》
github： https://github.com/yoyo-nb/Thin-Plate-Spline-Motion-Model

解决问题

问题：
尽管当前有些工作使用无监督方法进可行任意目标姿态迁移，但是当源图与目标图差异大时，对当前无监督方案来说仍然具有挑战。
方法：
本文提出无监督TPS Motion，
1、提出thin-plate spline（TPS）运动估计，以生成更灵活光流，将源图特征迁移至目标图特征；
2、为了补全缺失区域，使用多分辨率遮挡mask进行有效特征融合。
3、额外辅助损失函数用于确保网络各模块分工，使得生成高质量图片；

算法

TPS Motion算法整体流程图如图2所示，

TPS Motion主要包括以下模块：
1、关键点检测模块EkpE_{kp}Ekp：生成K∗NK*NK∗N对关键点用于生成K个TPS变换；
2、背景运动预测EbgE_{bg}Ebg：估计背景变换参数；
3、稠密运动网络(Dense Motion Network)：这是一个hourglass网络，使用EbgE_{bg}Ebg背景变换及EkpE_{kp}Ekp的K的K个TPS变换进行光流估计、多分辨率遮挡mask预测，用于指导缺失区域；
4、修复网络（Inpainting Network）：同为hourglass网络，使用预测光流扭曲原图特征图，修复每个尺度下特征图缺失区域；

TPS运动估计

1、通过TPS可通过最小扭曲，将原图变换到目标图，如式1,PiX表示图X上第i个关键点P^X_i表示图X上第i个关键点PiX表示图X上第i个关键点；

EkpE_{kp}Ekp使用K∗NK*NK∗N个关键点，计算k个tps变换，每个使用N个关键点（N=5），TPS计算如式2,p为坐标，A与w为式1求解到的系数，U为偏置项p为坐标，A与w为式1求解到的系数，U为偏置项p为坐标，A与w为式1求解到的系数，U为偏置项,

2、背景变换矩阵如式4，其中AbgA_{bg}Abg由背景运动预测器EbgE_{bg}Ebg生成；

3、通过Dense Motion Network将K+1个变换预测contribution mapM~∈R(K+1)×H×W\tilde M \in R^{(K+1)\times H \times W}M~∈R(K+1)×H×W，经过softmax得到MMM，如式5，

将其与K+1个变换结合计算光流，如式6，

由于训练初期仅有部分TPS变换起作用，由此导致contribution map有的地方为0，因此训练时容易陷入局部最优；
作者使用dropout使得某些contribution map为0，将式5改为式7，bi服从伯努利分布，概率为1−Pb_i服从伯努利分布，概率为1-Pbi服从伯努利分布，概率为1−P，使得网络不会过度依赖某些TPS变换，训练几个epoch后，作者将其去除；

4、修复网络（Inpainting Network）的编码器提取原图特征进行变换，解码器进行重构目标图；

多分辨率遮挡Mask

一些论文证明，不同尺度特征图关注区域有区别，低分辨率关注抽象形态，高分辨率关注细节纹理；因此作者在每层进行预测遮挡mask；
Dense Motion Network除了预测光流还预测多分辨率遮挡mask，通过在每层编码器添加一个额外的卷积层实现；

Inpaintting Network融合多尺度特征生成高质量图像，细节如图3所示；
1、将原图S送入编码器，光流T~\tilde TT~用于变换每层特征图；
2、使用预测的遮挡mask进行遮挡变换后的特征图；
3、使用skip connection与浅层解码器输出concat；
4、通过两个残差网络及上采样层，生成最终图像；

训练损失函数

重构损失：使用VGG-19计算重构损失，如式9；

同变损失：用于约束关键点检测模块，如式10；

背景损失：用于约束背景Motion预测器，确保预测更加准确，AbgA_{bg}Abg表示从S到D的背景仿射变换矩阵；Abg′A'_{bg}Abg′表示D到S的背景仿射变换矩阵，防止预测输出矩阵为0，loss未使用式11，而是式12；

扭曲损失：用于约束Inpainting Network，使得估计光流更加可靠，如式13，Ei表示网络第i层编码器；

整体损失函数如式14

测试阶段

FOMM有两种模式：标准、相关；
前者使用驱动视频DtD_tDt每一帧及S，依据式6估计motion，但当S与D差异大时（比如S与D中人体身材差异大），表现不佳；
后者用于估计D1D_1D1至DtD_tDt的motion，将其应用于S，这要求D1D_1D1与S的pose接近；
MRAA提出一种新模式，通过解耦进行动画，额外训练网络进行预测motion，应用于S，本文使用相同模式；训练shape及pose编码器，shape编码器学习关键点S的shape，pose编码器学习关键点DtD_tDt的pose，解码器重构关键点保留S的shape及DtD_tDt的pose，训练过程中使用同一视频两帧，其中一帧关键点进行随机变换仿真另一个体的pose；
对于图像动画而言，将S及DtD_tDt的关键点送入shape及pose编码器，经过解码器获取重构的关键点，根据式6估计motion。

实验

评估指标
L1表示驱动图与生成图像素L1距离；
Average keypoint distance (AKD)表示生成图与驱动图关键点距离；
Missing keypoint rate (MKR)表示驱动图中存在但是生成图中不存在的关键点比率；
Average Euclidean distance (AED)表示使用reid模型提取生成图与驱动图特征，比较两者之间L2损失；
视频重构结果如表1；

图6展示图像动画结果，在4个数据集上与MRAA比较，

表2展示真实用户在连续性及真实性上评价；

表4展示消融实验结果；

表3比较不同K对结果影响，FOMM、MRAA使用K=5,10,20；本文方式用2,4,8；

结论

作者提出的方无监督图像动画方法：
1、通过TPS估计光流，训练初期使用dropout，防止陷入局部最优；
2、多分辨率遮挡mask用于更有效特征融合；
3、设计额外辅助损失；
本文方法取得SOTA，但是当源图与驱动图人物身份极度不匹配时，效果不理想；

TPS Motion（CVPR2022）视频生成论文解读相关推荐

CVPR2019最全整理：全部论文下载，Github源码汇总、直播视频、论文解读等
本文首发于公众号极市平台点击**加入极市CV技术交流群**,交流更多计算机视觉相关的技术干货 CVPR 由IEEE举办的计算机视觉和模式识别领域的顶级会议,在机器学习领域享有盛名.今年的 CVPR ...
wFlow(CVPR2022)-虚拟试衣论文解读
文章目录解决问题算法 stage1: 有条件人体分割 stage2: pixel flow估计 stage3: 使用wFlow进行衣服迁移 wFlow GTN 损失函数在线循环优化实验数据集 ...
近年来视频分析论文解读一
1. Edge Assisted Real-time Object Detection (MobiCom' 19) 问题&场景增强现实(AR)通过执行CNN推断来达到对周围环境的准确理解,然 ...
微软亚洲研究院论文解读：基于动态词表的对话生成研究（PPT+视频）
本文为 12 月 27 日,北京航空航天大学博士生.微软亚洲研究院实习生--吴俣在第 21 期 PhD Talk 中的直播分享实录. 本次 Talk 的主题是基于动态词表的对话生成研究.首先,吴俣博士 ...
ECCV 2018论文解读 | DeepVS：基于深度学习的视频显著性方法
作者丨蒋铼学校丨北京航空航天大学在校博士,大不列颠哥伦比亚大学联合培养博士研究方向丨计算机视觉本文概述了来自北京航空航天大学徐迈老师组 ECCV 2018 的工作 DeepVS: A Deep ...
《First Order Motion Model for Image Animation》论文解读
论文解读 1.前言 2.解读 3.整体概述 4.细节讲解 1.前言早期的Facerig软件可以即时抓取摄像头视频中的人脸关键点,将表情.头部姿态等信息转化到三维虚拟化身上,比如一只猫.一个虚拟卡通人 ...
ECCV 2018最佳论文解读：基于解剖结构的面部表情生成
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
CVPR 2022 | 腾讯AI Lab入选论文解读，关注图像理解、生成、建模及可信AI
感谢阅读腾讯AI Lab微信号第147篇文章.本文介绍腾讯 AI Lab 被 CVPR 2022 收录的研究成果. CVPR(Conference on Computer Vision and Pat ...
论文解读：《RELATION：基于结构的药物从头设计的深度生成模型》
论文解读:<RELATION:A Deep Generative Model for Structure-Based De Novo Drug Design> 1.文章概述 2.迁移学习相 ...

TPS Motion（CVPR2022）视频生成论文解读