[人工智能]016 _SSS_ GAN Inversion for Consistent Video Interpolation and Manipulation

016_SSS_ GAN Inversion for Consistent Video Interpolation and Manipulation

本文结合了GAN Inversion和Neural ODE，在GAN的隐空间中实现Neural ODE来实现视频的插帧和编辑。

1. Introduction

本文的主要贡献和创新点：

1. 将动态的视频建模为Neural ODE处理的隐式编码序列。
2. 对隐空间用动态的观点来看，视频的帧就可以看作连续的ODE轨迹上离散的点。
3. 作者提出的方法可以实现无限的视频插帧和一致的视频编辑。

2. Method

2.1 背景知识

GAN Inversion

GAN的目的是将隐变量 $z\in \mathcal{Z}$ 通过Generator转换为相应的图像 $x\in \mathcal{X}$. 而GAN Inversion则恰恰相反, 对于一个已经训练好的GAN的生成器 $G$, 和一张给定的图像 $x$, GAN Inversion希望找到最有可能生成图像 $x$ 的隐变量 $z$.

相应的对于两张相似的图像, 通过GAN Inversion之后得到的隐变量也应该相近.

Neural ODE

具体的Neural ODE的笔记可以参考007_SSSSS_ Neural Ordinary Differential Equtions

简而言之, 在本文中就是把视频的每一帧图像对应的隐空间表示, 看作是常微分方程的解.

相应的给定常微分方程的初值, 就可以通过求解来得到中间的任何时间的值.

2.2 DynODE

有了以上两部分的基础, 那么作者提出的DynODE的思路便一目了然. 首先, 一个视频的隐空间表示可以看做是连续的变化 $z(t)$. 而对于一个视频的离散的帧, 通过GAN Inversion得到一系列的隐式表示 { z 0 , z 1 , . . . , z n } \lbrace z_0, z_1, ..., z_n \rbrace {z0?,z1?,...,zn?}, 相当于是对这个连续的变化的观测值. 那么, 为了得到这个连续的变化, 将其用常微分方程表示:

于是在训练网络的时候, 就用完整的视频的每一帧来训练.

训练好之后, 在给定初始帧的表示 $z_0$ 的前提下, 就可以通过求解常微分方程的形式来得到任意时刻的隐式表示.

3. Experiments

主要来看本文的两个应用 视频插帧和视频编辑

3.1 视频插帧

给定两帧的视频插帧, 可以看作是morphing, 而一种直接的morphing方法, 就是直接对隐变量进行线性的组合. $z^{?}=z_s+\alpha (z_t?z_s)$, 那么利用ODE的方法与这种直接线性相加的方法有什么区别呢?

作者给出的解释就是, 如图所示, 曲面表示视频的动态表示, 而线性相加的方法得到的视频帧就如同绿色的点, 并不能完全的契合视频的动态流. 而用ODE的方法就像蓝色的箭头, 可以更好的耦合视频, 而红色的点就是用ODE方法得到的视频帧.

实验的结果如图所示.

这里有一个问题: 上面作者用的Neural ODE是给定了初值, 那么在视频插帧的时候能不能保证终值, 或者如何保证终值, 这是个问题. 本文没有公开源码, 还需要再想想这个问题.

3.2 视频编辑

对于视频的编辑需要结合GAN Inversion对图像编辑的方法,对于第一帧进行编辑, 然后通过解ODE来得到后续的编辑后的帧的隐变量. 传统的方法则是需要对每一帧都执行编辑的操作, 而本文的方法则只需要对第一帧进行编辑即可.

4. Limitations

本文方法优点一方面是ODE带来的极低的空间复杂地, 另一方面是只需要对第一帧进行操作, 可以很大程度的降低编辑的时间消耗.
首先是视频插帧, 本文提出的方法更适合某些相对简单的特定的视频, 而对于包含很多不同的物体和场景的视频, 本文的方法做的不如现有的方法.
另外, 本文作者用了最简单的方法实现Neural ODE, 来证明其可行性. 作者考虑用ODE的变种, Neural Controlled Differential Equation(CDE) 或者 Neural Stochastic Differential Equation(SDE)