Reading Few-shot Video-to-Video Synthesis

发表 分类 阅读量: Valine: 字数: 1.9k 阅读时长 ≈ 2 分钟

论文地址：http://arxiv.org/abs/1910.12713

作者：Ting-Chun Wang, Ming-Yu Liu, Andrew Tao, Guilin Liu, Jan Kautz, Bryan Catanzaro

发表： NeurIPS 2019

Project： https://nvlabs.github.io/few-shot-vid2vid

Github：https://github.com/NVLabs/few-shot-vid2vid

如果你去做这个任务，会怎么做？作者做的方法和你想的有什么差异？

首先这个任务选题对我来说很新，我之前都没有意识到过这方面的问题。如果告诉我有这样的问题，需要去解决的话，我的直观的想法会受到这篇论文作者的上一篇中提到的 特征嵌入方法 所影响：会想也通过将一类物体的特征编码起来，然后通过学习不同个体的特征编码，来实现不同风格的视频生成。

Why：

当今vid2vid方法的两个局限性：

  1. 需要大量数据，尤其是需要生成的这个人的视频数据
  2. 泛化能力有限，比如说只能在训练集中包含的人上生成新的pose-to-human视频，不能泛化到训练集中不存在的人上

所以这篇论文就是想解决这两个问题。

What：

  1. 任务是Video-to-video synthesis，即利用输入的语义视频（例如人的姿势、街景），生成写实的视频。例如说，人体姿势生成的任务，就是首先收集一个人做大量不同动作的视频，作为训练集；然后向模型中输入动作序列，让模型生成该人做该动作的视频。再比如街景生成，也是以大量街景视频作为训练集，然后向模型中输入语义mask序列，让它生成风格类似的全新街景。

  2. 这篇论文提出了一个网络，其中包括一个网络权重生成模块（novel network weight generation module）和attention机制

  3. 这个方法的创新点在于，只需要在测试时，向模型提供少量的在训练集中没出现过的新的人物的图像，它就能生成这个新的人的视频。

    image-20220513171420180
    image-20220513171420180

    上图中，左边是现存方法，它们基本上对于每个人，都需要在单独的训练集上训练。右边是这篇论文提出的方法，只需要训练一次，然后输入一些示范图像，就可以泛化到新的人上。

读前疑问：

  1. 说是利用少量的新的人物的示范图像，生成网络权重。意思是以原本的vid2vid网络的权重作为输出？为什么？我的更直观的想法是，直接用一个新网络，学习新人物的图像，然后把output给concat或者加进旧网络的output中……另外，直接作用于网络权重上，在我的粗浅理解中，会不会造成信息的损失呢？还是说本质上没差？ related work里提到这类网络属于adaptive network，跟常规网络相比有不同的inductive bias（想想也是），有对应的应用任务。或许我之后再了解一下这块。
  2. 标题中的few-shot是什么意思，就是指更少的data、更高的泛化性吗？这是一类任务吧，从少量标注的样本中学习的意思。这个确实就是啊，只需要一点点示范图像，就可以生成图中这个人/物的新video。
  3. 作者的上篇论文是利用gan，这篇又用上了attention，为什么作出这样本质的改变呢？

How：

  1. 视频生成任务可以分成3类：
    1. unconditional synthesis：随机生成视频片段
    2. future video prediction
    3. vid2vid：把语义输入转变成现实风的视频。这篇论文就是属于这个任务，不过它聚焦的点在于few shot，即通过在测试的时候输入少量图像，让生成的视频可以泛化到没见过的domain上

  2. vid2vid是前一篇工作的内容啦。reference：Reading vid2vid

  3. few-shot本质上就是多加了个网络E，用来生成原补洞网络H的权重。至于原本还有两个网络W和M，他们都不需要改动，因为他们都是基于上一帧生成的图像进行变形的，代表一种运动，而和视频本质的内容没有关系。

  4. 精髓一图：

    image-20220810193845710
    image-20220810193845710

  5. 用最新的SOTA语义图像生成模型SPADE代替了上一篇论文中的网络H。SPADE包含several spatial modulation branches and a main image synthesis branch。不过网络E只更新SPADE模型中的spatial modulation branches的权重，因为1这样量比较小，2这样可以避免一个直接从input image到output image的短路（我尚没有深究原因）。

  6. 权重生成模块E。

相关文章