基于姿態(tài)信息生成全身的高分辨率圖像的新框架

近日，和任天堂關(guān)系密切的日本網(wǎng)絡(luò)服務(wù)公司DeNA發(fā)布了一篇頗為有趣的文章：Full-body High-resolution Anime Generation with Progressive Structure-conditional Generative Adversarial Networks，即用PSGAN生成高分辨率的全身動(dòng)畫。據(jù)了解，DeNA的業(yè)務(wù)涵蓋社交游戲、電子商務(wù)等領(lǐng)域，此前公司推出的手游《忍者天下》也在中國市場(chǎng)取得了驕人的成績(jī)。昔日忍者化身換裝暖暖，DeNA想用GAN做些什么呢？

以下是論智對(duì)文章的編譯。

摘要

本文提出了一種漸進(jìn)結(jié)構(gòu)—條件生成對(duì)抗網(wǎng)絡(luò)（PSGAN），它是一個(gè)能基于姿態(tài)信息生成全身的高分辨率圖像的新框架。

近年來，許多人都研究過用深度生成模型自動(dòng)生成圖像和視頻，這項(xiàng)技術(shù)對(duì)媒體創(chuàng)建工具來說很有幫助，它可以被用來進(jìn)行圖片編輯、動(dòng)畫制作甚至是電影制作。

就動(dòng)漫產(chǎn)業(yè)角度看，一個(gè)能自動(dòng)生成動(dòng)畫角色的神經(jīng)網(wǎng)絡(luò)不僅能為創(chuàng)作者帶來諸多靈感，它還能為整個(gè)產(chǎn)業(yè)節(jié)省作畫上巨額開支?，F(xiàn)在我們已經(jīng)有了能生成人物臉部圖像的GAN，但還沒有能生成角色全身圖的工具。而且就這些生成臉部圖像的神經(jīng)網(wǎng)絡(luò)來說，它們的圖像質(zhì)量還達(dá)不到工業(yè)級(jí)作畫標(biāo)準(zhǔn)。

因此，開發(fā)一個(gè)既能生成全身圖像，又能生成高質(zhì)量姿態(tài)的GAN將對(duì)制作新角色、繪制新動(dòng)漫大有裨益。但達(dá)成這個(gè)目標(biāo)還有兩大難點(diǎn)：（1）生成高分辨率圖像；（2）用特定的姿態(tài)序列生成圖像。

為了解決上述問題，我們引入PSGAN，它能根據(jù)結(jié)構(gòu)信息，在訓(xùn)練過程中逐步提高生成圖像的分辨率，以此細(xì)化圖像在結(jié)構(gòu)上的細(xì)節(jié)特征，如生成對(duì)象的全身圖。同時(shí)，我們也在網(wǎng)絡(luò)上添加了任意的潛在變量和結(jié)構(gòu)條件，讓它能基于目標(biāo)姿勢(shì)序列生成多樣化和可控制的動(dòng)作視頻。

在這篇文章中，我們用實(shí)驗(yàn)證明了PSGAN的有效性，如下文這個(gè)512x512的視頻所示，視頻中的動(dòng)畫角色展示了PSGAN生成的人物服裝細(xì)節(jié)、身體姿態(tài)的整體調(diào)整。

生成結(jié)果預(yù)覽

視頻展示了由PSGAN生成的各種動(dòng)漫角色和動(dòng)畫。首先，我們用隨機(jī)潛在變量生成大量動(dòng)畫角色；其次，我們?cè)賹?duì)具體的動(dòng)漫角色進(jìn)行潛在插值，以生成新的動(dòng)畫角色；最后，我們用連續(xù)的姿勢(shì)序列制作出流暢的動(dòng)畫。

換裝PLAY

PSGAN生成全新全身圖的主要方式是插入不同的服飾，這是利用改變潛在變量實(shí)現(xiàn)的。需要注意的一點(diǎn)是，換裝時(shí)人物的姿態(tài)是固定的。

舞動(dòng)人“身”

下圖展示了指定動(dòng)畫角色生成目標(biāo)姿態(tài)的具體過程：

和生成服飾相反，這里我們固定潛在變量，并給PSGAN提供連續(xù)的姿勢(shì)序列。更具體地說，就是將指定動(dòng)畫角色的表示映射到潛在變量?jī)?nèi)——它處于潛在空間誒，是PSGAN的輸入向量——然后用這個(gè)新的潛在變量做PSGAN的輸入，以此做到在不改變外觀的前提下改變姿態(tài)。

漸進(jìn)結(jié)構(gòu)的條件GAN

我們的主要想法是逐步學(xué)習(xí)具有結(jié)構(gòu)條件的圖像表示。我們參考了Karras等人提出的GAN的結(jié)構(gòu)，并在生成器和判別器上都添加上結(jié)構(gòu)條件，這樣做之后，無論圖像分辨率是什么，它們都帶有相應(yīng)縮放比例的姿態(tài)信息。

PSGAN的生成器和判別器

如上圖所示，N×N的白色框表示的是NxN空間分辨率下正在工作的可學(xué)習(xí)卷積層，灰色框表示的則是結(jié)構(gòu)條件的不可學(xué)習(xí)的下采樣層。

訓(xùn)練數(shù)據(jù)

本文用到的數(shù)據(jù)集有Unity合成的原始頭像動(dòng)漫角色數(shù)據(jù)集，以及由Openpose檢測(cè)到的關(guān)鍵點(diǎn)的DeepFashion數(shù)據(jù)集。PSGAN的訓(xùn)練要求是有成對(duì)的圖像和成對(duì)的關(guān)鍵點(diǎn)坐標(biāo)。

Avatar Anime-Character數(shù)據(jù)集

我們按照以下3個(gè)要求為PSGAN重新構(gòu)建了新數(shù)據(jù)集：

姿態(tài)多樣性。為了生成平滑、自然地圖像，我們需要各式各樣的姿態(tài)。

訓(xùn)練圖像的數(shù)量。通過用Unity生成3D頭像，我們無需任何手動(dòng)注釋就可以獲得大量帶注釋的合成圖像。

背景消除。我們把背景統(tǒng)一設(shè)置成白色，以避免不必要的信息對(duì)圖像產(chǎn)生負(fù)面干擾。

我們把單個(gè)角色的幾個(gè)連續(xù)動(dòng)作分解成600個(gè)姿勢(shì)，并不捉每個(gè)姿勢(shì)的關(guān)鍵點(diǎn)。通過對(duì)79種服飾進(jìn)行同樣的處理，我們最終獲得了47,400張圖像。此外，我們還根據(jù)3D模型的骨骼結(jié)構(gòu)獲得了20個(gè)關(guān)鍵點(diǎn)。

下圖是幾個(gè)訓(xùn)練樣本（上：動(dòng)漫角色；下：姿態(tài)圖）：

對(duì)于這個(gè)數(shù)據(jù)集，我們用Adam收斂網(wǎng)絡(luò)，其中β1= 0，β2= 0.99。當(dāng)生成器中的圖像分辨率為4x4—64x64時(shí)，學(xué)習(xí)率為0.001。隨著尺寸逐漸變?yōu)?28x128、256x256、512x512，學(xué)習(xí)率也逐漸降低為0.0008、0.0006和0.0002。

DeepFashion數(shù)據(jù)集

PSGAN利用姿態(tài)信息在圖像生成網(wǎng)絡(luò)上施加結(jié)構(gòu)條件。我們使用Openpose從沒有關(guān)鍵點(diǎn)注釋的圖像中提取關(guān)鍵點(diǎn)坐標(biāo)。

同樣的，這里我們還是使用Adam，β1= 0，β2= 0.99，學(xué)習(xí)率α始終是0.0008。

不同GAN的比較

我們先來看看PSGAN在多樣性上的表現(xiàn)。如下圖所示，PSGAN為每個(gè)姿勢(shì)條件生成各種各樣的圖像。

接下來，我們?cè)賮砜纯碢SGAN在生成姿態(tài)上的表現(xiàn)。在對(duì)照組中，PG2和DPG2需要同時(shí)輸入源圖像和相應(yīng)的目標(biāo)姿態(tài)才能生成目標(biāo)圖像，但PSGAN只需調(diào)整潛在變量就能使圖像具備目標(biāo)結(jié)構(gòu)，它所受到限制更少。

下圖對(duì)比了PG2、DPG2和PSGAN生成的姿態(tài)圖，其中前兩者所需的參考姿態(tài)圖沒有顯示出來。通過對(duì)比我們可以發(fā)現(xiàn)，PSGAN生成的圖像和PG2、DPG2一樣自然合理，但又一定的瑕疵。由于這是通過調(diào)整潛在變量實(shí)現(xiàn)的，所以從理論上來說，如果變量調(diào)試得完美，PSGAN同樣能生成具有相同的質(zhì)量的姿態(tài)圖。

最后，我們還評(píng)估了PSGAN與Progressive GAN在結(jié)構(gòu)一致性上的表現(xiàn)。實(shí)驗(yàn)結(jié)果顯示，無論是細(xì)節(jié)還是全局，PSGAN生成的圖像都更自然，而且它在結(jié)構(gòu)細(xì)節(jié)上的處理也更合理。

小結(jié)

本文展示了PSGAN在生成平滑、高分辨率動(dòng)畫上的水平，也通過實(shí)驗(yàn)證實(shí)它能基于512x512的目標(biāo)姿勢(shì)序列生成動(dòng)畫角色全身圖和相應(yīng)動(dòng)畫。由于實(shí)驗(yàn)條件有限，神經(jīng)網(wǎng)絡(luò)在一些方面還發(fā)揮欠佳，所以未來我們還會(huì)在更多條件下進(jìn)行試驗(yàn)和評(píng)估。

此外，經(jīng)處理的Avatar Anime-Character數(shù)據(jù)集即將開放。