谷歌研究人員利用3D卷積網(wǎng)絡(luò)打造視頻生成新系統(tǒng)，只需要視頻的第一幀和最后一幀，就能生成完整合理的整段視頻，是不是很神奇？

漫畫書秒變動(dòng)畫片了解一下？

想象一下，現(xiàn)在你的手中有一段視頻的第一幀和最后一幀圖像，讓你負(fù)責(zé)把中間的圖像填進(jìn)去，生成完整的視頻，從現(xiàn)有的有限信息中推斷出整個(gè)視頻。你能做到嗎？

這可能聽(tīng)起來(lái)像是一項(xiàng)不可能完成的任務(wù)，但谷歌人工智能研究部門的研究人員已經(jīng)開(kāi)發(fā)出一種新系統(tǒng)，可以由視頻第一幀和最后一幀生成“似是而非的”視頻序列，這個(gè)過(guò)程被稱為“inbetween”。

“想象一下，如果我們能夠教一個(gè)智能系統(tǒng)來(lái)將漫畫自動(dòng)變成動(dòng)畫，會(huì)是什么樣子？如果真實(shí)現(xiàn)了這一點(diǎn)，無(wú)疑將徹底改變動(dòng)畫產(chǎn)業(yè)?！霸撜撐牡墓餐髡邔懙??！半m然這種極其節(jié)省勞動(dòng)力的能力仍然超出目前最先進(jìn)的水平，但計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)技術(shù)的進(jìn)步正在使這個(gè)目標(biāo)的實(shí)現(xiàn)越來(lái)越接近?！?/p>

原理與模型結(jié)構(gòu)

這套AI系統(tǒng)包括一個(gè)完全卷積模型，這是是受動(dòng)物視覺(jué)皮層啟發(fā)打造的深度神經(jīng)網(wǎng)絡(luò)，最常用于分析視覺(jué)圖像。它由三個(gè)部分組成：2D卷積圖像解碼器，3D卷積潛在表示生成器，以及視頻生成器。

圖1：視頻生成模型示意圖

圖像解碼器將來(lái)自目標(biāo)視頻的幀映射到潛在空間，潛在表示生成器學(xué)習(xí)對(duì)包含在輸入幀中的信息進(jìn)行合并。最后，視頻生成器將潛在表示解碼為視頻中的幀。

研究人員表示，將潛在表示生成與視頻解碼分離對(duì)于成功實(shí)現(xiàn)中間視頻至關(guān)重要，直接用開(kāi)始幀和結(jié)束幀的編碼表示生成視頻的結(jié)果很差。為了解決這個(gè)問(wèn)題，研究人員設(shè)計(jì)了潛在表示生成器，對(duì)幀的表示進(jìn)行融合，并逐步增加生成視頻的分辨率。

圖2：模型生成的視頻幀序列圖，對(duì)于每個(gè)數(shù)據(jù)集上方的圖表示模型生成的序列，下方為原視頻，其中首幀和尾幀用于生成模型的采樣。

實(shí)驗(yàn)結(jié)果

為了驗(yàn)證該方法，研究人員從三個(gè)數(shù)據(jù)集中獲取視頻 - BAIR機(jī)器人推送，KTH動(dòng)作數(shù)據(jù)庫(kù)和UCF101動(dòng)作識(shí)別數(shù)據(jù)集 - 并將這些數(shù)據(jù)下采樣至64 x 64像素的分辨率。每個(gè)樣本總共包含16幀，其中的14幀由AI系統(tǒng)負(fù)責(zé)生成。

研究人員為每對(duì)視頻幀運(yùn)行100次模型，并對(duì)每個(gè)模型變量和數(shù)據(jù)集重復(fù)10次，在英偉達(dá)Tesla V100顯卡平臺(tái)上的訓(xùn)練時(shí)間約為5天。結(jié)果如下表所示：

表1：我們報(bào)告了完整模型和兩個(gè)基線的平均FVD，對(duì)每個(gè)模型和數(shù)據(jù)集重復(fù)10次，每次運(yùn)行100個(gè)epoch，表中FVD值越低，表示對(duì)應(yīng)生成視頻的質(zhì)量越高。

表2：使用直接3D卷積和基于的替代方法的模型的平均SSIM

RNN（SDVI）或光流（SepConv和SuperSloMo），數(shù)值越高越好。

研究人員表示，AI生成的視頻幀序列在風(fēng)格上與給定的起始幀和結(jié)束幀保持一致，而且看上去說(shuō)得通?！傲钊梭@喜的是，這種方法可以在如此長(zhǎng)的時(shí)間段內(nèi)實(shí)現(xiàn)視頻生成，”該團(tuán)隊(duì)表示，“這可能給未來(lái)的視頻生成技術(shù)研究提供了一個(gè)有用的替代視角?！?/p>