交互式视频风格化 水记

交互式视频风格化 水记

《Interactive Video Stylization Using Few-Shot Patch-Based Training》

项目主页：

Interactive Video Stylization

https://github.com/OndrejTexler/Few-Shot-Patch-Based-Training

https://github.com/OndrejTexler/Few-Shot-Patch-Based-Training

BV1Sf4y117qy AI又来抢饭碗？一边画一边动，无需建模，实时完成渲染！

一边动，一边画，自己就变二次元！华人小哥参与的黑科技：实时交互式视频风格化

之所以看这篇，是想看看他是怎么做到让画过的部分跟着人一起动的

是不是用某种方法显式或者隐式地建立了语义坐标系？

他用了 ARAP 图像配准做网格变形。

应该可以看作 EbSynth （也就是 《Stylizing Video by Example》）的后续工作

主要是做了实时性的改进，而且允许并行渲染了

功能

输入若干关键帧，每帧要风格化的区域mask（可以是全图风格化），对应的风格化后关键帧

输出会将关键帧的风格化效果传播到其他帧上

特点是，不需要一帧一帧地按顺序渲染，所有帧可以并行渲染，也可以只渲染其中几帧。

这意味着他没有用光流之类的方法来 warp 要风格化的区域，没有使用时域信息，而是实打实的能直接 align 要风格化的区域。

好吧，他是用的 ARAP 网格变形来 align 的。

这个任务叫做 keyframe-based video stylization ，本文之前的 SOTA 是 [Jamriška et al]

训练方法

主要使用 [Futschik et al. 2019] 中基于 U-net 的图像翻译框架，原本用于风格化人脸。

但是用在本任务上产生的结果，质量远低于 SOTA ，有两个原因：

• 一个原因是，原模型是在一个很大的风格化数据集上训练的（由FaceStyle [Fišer et al. 2017] 生成），而本任务中无法使用这么大的数据集，导致严重的过拟合，模型会直接重构出当前关键帧，降低对其他关键帧的风格化能力。即使使用数据增强也没用。
• 另一个原因是，由于原始方法没有显式考虑时间一致性，生成的帧序列会在时间尺度上产生很多闪烁。

解决方案：

• 为了减少过拟合，使用了 patch-based 的训练策略，每次输入一个小 patch 来训练，这样可以有效减少需要的训练数据量，减少过拟合，提高对其他关键帧的泛化能力，提高生成效果。
• 提出了一种抑制闪烁的方案，该方案不需要衡量时间一致性。

Patch-based 训练策略

每次从 mask 过的关键帧上随机截取一个小 patch，送入一个基于 U-net 的图像翻译框架（来自于 [Futschik et al. 2019] ），生成一个 patch，然后与风格化关键帧上对应的 patch 计算 loss，这里的 loss 使用的是 L1 loss + 对抗loss + VGG loss （来自于 [Futschik et al. 2019]） 。

注意，这里的 U-net 是一个全卷积结构，所以能输入任意大小的图片。

虽然导致当前帧的loss变高了，但是能明显降低其他帧的loss（与当前 SOTA 的 [Jamriška et al] 比较）。

超参搜索

尽管 patch-based 训练策略已经可观的提升了效果，但是对关键超参的调整还是必要的。

原始的超参可能会导致很差的推理质量，尤其是当训练速度对我们来说很重要的时候。此外，我们还需要在风格化质量与实时性之间做平衡。

我们制定了一个优化问题，使用网格搜索求解。

包含四个参数：patch 尺寸，batch尺寸(每个batch包含多少patch)，学习率，残差块数量。

目标是：最小化与 [Jamriška et al. 2019] (当前SOTA，也就是 EbSynth) 生成的结果之间的差距。（注意只有微调超参时才使用了这个）

损失函数：使用 [Futschik et al. 2019] 的 loss （训练时也用的这个）。

约束条件是：训练时间 与 单个视频的推理时间 是固定的。（分别是 30秒 和 0.06秒）

因为约束的时间较短，所以用网格搜索是可行的。

时间一致性

尽管 [Futschik et al. 2019] 发现这个方法天然的具有一定的时间一致性，但是还是会出现很多闪烁。

闪烁的原因有两个：时间尺度的噪声，视觉上的歧义。

即使是很小的时间噪声，也会被外观翻译网络放大。

为了抑制噪声，使用了一个在时域工作的双边滤波器的运动补偿变体 [Bennett and McMillan 2005]

滤波器只有在对象具有独特且多变的纹理的时候很有效，如果缺乏足够独特的视觉信息（比如有一片完全同色的区域），就会出现视觉上的歧义。

解决 视觉歧义：

使用一个额外的输入层来显式的提升网络的鉴别能力。

该层由一组稀疏的随机分布的二维高斯组成，每个二维高斯都有一个独特的随机生成的颜色。

为了补偿视频中的运动，这些高斯被看作是粘在网格上的点。

网格由 as-rigid-as-possible (ARAP) 图像配准技术 [Sýkora et al. 2009] 变形。

该方法重复两个步骤：

1. 块匹配(block-matching)估计网格上每个点的最优平移
2. 利用ARAP变形模型，局部加强刚性来规范网格结构

该配准方法可以独立应用于每个帧，不需要时域信息。

之所以使用高斯，而不是直接编码像素坐标，例如 [Jamriška et al.2019; Liu et al. 2018]

是因为，随机着色提供更好的定位和稀疏性，以及旋转对称性，减少了局部失真的影响。

如果发生极端非平面变形（比如头部转动）或者强遮挡（比如有多个场景平面）的情况，需要提供额外的关键帧或将场景分割成多层。每个关键帧或场景层都有自己的专用变形网格。在补充材料的 2:56 处展示了这一点。

没看出来他怎么展示的，让头转一下就行了？网格呢？网格长啥样啊？

完全没解释是怎么引入额外关键帧或者分割场景的，估计是因为和提到的两篇做法一样吧。只能看看那两篇了，最坏情况可能只有看源码才行。

推理过程

经过训练过程，我们已经得到一个 根据 用户给定风格 微调过的 U-net 。

推理过程很简单。

直接把当前帧整个喂给 U-net ，然后得到风格化的当前帧。