TPS Motion（CVPR2022）视频生成论文解读

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$E_{kp}$：生成$K\ast N$对关键点用于生成K个TPS变换；
2、背景运动预测$E_{bg}$：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$E_{bg}$背景变换及$E_{kp}$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,$P_i^X表示图X上第i个关键点$；

$E_{kp}$使用$K\ast N$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,$p为坐标，A与w为式1求解到的系数，U为偏置项$,

2、背景变换矩阵如式4，其中$A_{bg}$由背景运动预测器$E_{bg}$生成；

3、通过Dense Motion Network将K+1个变换预测contribution map$\tilde{M}\in R^{(K+1)\times H\times W}$，经过softmax得到$M$，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，$b_i服从伯努利分布，概率为1-P$，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$\tilde{T}$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，$A_{bg}$表示从S到D的背景仿射变换矩阵；$A_{bg}^{\prime }$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$D_t$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$D_1$至$D_t$的motion，将其应用于S，这要求$D_1$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$D_t$的pose，解码器重构关键点保留S的shape及$D_t$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$D_t$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；