和一鍵換妝、一鍵美顏一樣，我們可能離“一鍵健身”不遠了。

怎么說？

近日，MIT（麻省理工學院）的研究人員發明了一項新技術，單憑一張照片，就能把片中人，隨意擺成任何姿勢。AI的想象力和腦補力，竟然能達到窺一片而知全貌了？

沒錯，讓人驚喜的是，這項技術的合成效果還非常好，頗有以假亂真的氣勢——

穿著瑜伽服打棒球？

又穿著瑜伽服打高爾夫？

棒球比賽期間突然做起瑜伽？

可能你也猜到，后面這些圖都是假象，在MIT中了今年CVPR Oral的論文Synthesizing Images of Humans in Unseen Poses中，研究人員提出一種模塊化的生成神經網絡，用從人類運動視頻中提取的成對圖像和姿勢訓練之后，它能夠為一個人合成出沒做過的新姿勢。

更有趣的是，這個模型在沒有經過刻意訓練的情況下，還能生成一段連續的視頻。

只用一張照片，就能將照片中人像皮影戲一樣操控，并且在被遮擋的情況下，人物和背景合成都非常自然，這到底是如何做到的？

步驟拆解

單憑一張照片合成人物姿勢不是易事。姿勢變換帶來身體的移動，影響著人物周圍的陰影變化和背景露出，若人物肢體若被遮擋，還需自行想象腦補身體邊界……

總之兩個字：麻煩。

對人類來說這尚且還是個繁瑣復雜的工作，對AI來說更是如此。怎么辦？

MIT小伙伴們用260多段視頻中截取出來的成對圖片和姿勢，訓練了一個監督學習模型。

將源圖像和它對應的2D姿勢信息，以及目標姿勢輸入到這個模型中，它就能合成出一張輸出圖像，把源圖像上的人物形象和目標姿勢結合在一起。

這個方法的精髓，就在于把這個艱巨的大任務分成四塊簡單的、模塊化的子任務，大概如下圖所示：

制造新姿勢的流程分五步。

第一步得表示姿勢，研究人員將2D的姿勢Ps和Pt表示成3D形式RH×W×J，其中H代表輸入圖像的高度，W代表寬度，每個J通道都包含一個以不同節點(x,y)為中心的高斯凸起。這種方法能快速利用姿態輸入的空間特性，而不僅僅是個扁平、密集的表示。

表示完動作后，就需要對圖像整體大局進行原圖分割，為合成動作做準備了。

運動時身體每個部分軌跡不同通常會分段仿射運動場出現，通過將原圖Is分割成前景層和背景層，并將前景的身體部位分割成頭、上臂、下臂、大腿、小腿和軀干等部分，基于UNet-style架構將原圖分割。

之后進行前景空間變形，將這些被拆分的身體重新組合起來。

之后進行前景合成，將轉換后的主體部分合并，進一步細化外觀。下圖顯示了這個階段的Mask Mt(第3列)和yfg(第4列)的幾個輸出示例。

可以看出，即使一開始是很夸張的姿勢，合成出效果看起來也很真實。可惜的是，高爾夫球桿、網球拍等持有物，在合成后不會被保留。

此時，完事具備，就差背景了。背景合成也就是填補前景動作中開始被遮擋的部分，如上圖第五列所示~

整個網絡的架構就是這樣了，接下來我們去看看研究人員具體是如何訓練它的。

精挑細選的數據集

模型準備就緒，還欠數據。

于是，他們從YouTube上尋找了一些視頻。其中包括136段打高爾夫的、60段練瑜伽或者健身的、70段打棒球的。

他們挑選的視頻有個共同特點：背景基本靜止、只有人在動。這樣，模型才能更好地完成任務。

把它們混在一起，再經過一些縮放、旋轉、反轉之類的擴增操作，就形成了要用的數據集，從中留出10%，用作測試集。

就是用這些數據，幾位科學家檢驗了他們模型的合成能力。

花式秀能力，開始

測試方法很簡單，從視頻里選一幀提取出人物的動作，找另一幀圖像，讓模型把里面的人扭成這個動作，看看效果如何。

作者們在論文里說：顯然是我們的效果比較好嘛，有圖為證。

和同行前輩UNet相比，這種新方法合成出來的圖像更不容易出錯。比如說上圖第一行，UNet合成出來的網球少年衣服已經泛黃；第4行，健身小姐姐身后出現了重重重影。

從數據上看，這種新方法也取得了比UNet更低的錯誤率、更好的SSIM得分。

但這顯然還不是這個模型的全部實力。

上圖展示的，都是從一個網球動作到另一個網球動作，從一個健身動作到另一個健身動作，而且，還都是，靜止的圖像。

你大概還記得文章開頭展示的那些。當然沒騙你，給模型一張圖片和一系列目標姿勢，生成視頻當然也沒問題啦~

視頻里的系列動作拆解開來，就是上圖這樣。考驗眼力的時刻到了：你能猜出哪兩行是真實的、哪兩行是合成的嗎？

答案是，1、3行是合成的動作，2、4行是真實的。

連貫起來，就是這樣：

膩害~撒花！假裝運動這么輕松，有視頻都不一定有真相了~

Wait，這依然不是它的全部實力。

開頭展示的穿著瑜伽服打棒球，當然也是它的杰作。

這個模型，可以為畫中人合成不同類別的姿勢。輸入分別來自不同類別的源圖像和目標動作，結果雖說充滿違和感，但還是那么令人信服。

網球場上做瑜伽，瑜伽墊上打高爾夫……

別忘了，他們訓練這個模型只用了3類運動、260多段視頻，要是訓練數據在充足一點，怕是真能一鍵假裝去運動了。

傳送門

這篇Synthesizing Images of Humans in Unseen Poses，被CVPR 2018作為oral論文接收，論文一作，是MIT博士后Guha Balakrishnan，他的碩士和博士學位都來自MIT。

研究團隊全體成員都來自MIT，包括研究生Amy Zha、博士后Adrian V. Dalca，以及Balakrishnan的碩士和博士導師：John Guttag和Fredo Durand。

團隊的另外兩位成員也來自MIT，一位是研究生Amy Zhao，另一位是博士后Adrian V. Dalca。