论文笔记：Image Anaimation经典论文-运动关键点模型（Monkey-Net）

在这里插入图片描述
Monkey-Net（MOviNg KEYpoints）
paper: https://arxiv.org/pdf/1812.08861, CVPR 2019
code: https://github.com/AliaksandrSiarohin/monkey-net/tree/master

本文贡献

结合下图，贡献如下：

设计了一个无监督关键点检测模块，用于提取物体关键点。
- KeyPoint Detector: 输入为参考图像和驱动视频帧，输出为稀疏关键点。
- 由于训练过程是无监督的，因此不需要标注关键点信息。
- 实际上，两帧之间稀疏关键点差异可以看做一种紧致的运动表征。
设计了密集运动估计网络：用于从稀疏关键点中重建运动热图（motion heatmaps），热图用于更好地表征运动信息。
- Dense Motion prediction network：输入为1中的稀疏关键点，输出为运动热图。以此来估计参考图像和驱动图像之间的光流。
- 这样做有两个动机：
  1. 使得1中关键点检测网络不仅关注物体的结构信息，也关注运动信息。使得自监督的关键点检测网络检测到的关键点必需落在运动大的位置。
  2. 传统encoder-decoder密集预测模型未考虑到输出输出之间较大的像素不对齐问题。增加光流信息希望促进输入输出之间差异比较大时的对齐。
设计了一个运动迁移网络：使用运动热图，和从从参考图像中提取的内容表征生成视频帧图像。
Motion Transfer network：输入为参考图像和运动热图，输出为重构后的视频帧。经典encoder-decoder结构。

训练过程核心思路：

生成器G需要根据参考图像、参考图像关键点、驱动图像关键点三个部分重建出驱动图像( $x^{'}$ )；通过这个过程，参考图像( $x$ )和驱动图像之间( $x^{'}$ )的关系被隐式建模。

实现细节

无监督关键点检测网络：

encoder-decoder结构，输出为K个HxW的heatmap，每个heatmap对应一个关键点，使用softmax将输出归一化至[0, 1]。
使用heatmap的动机：更好地适配卷积网络。
为了学习关键点位置信息，将每个heatmap拟合至一个高斯分布，使得模型间接学习关键点。
模型不仅拟合了关键点的位置信息，还拟合了关键点的协方差矩阵。目的是同时学习关键点的位置和方向信息。以人的腿为例，关键点不仅包括腿部关键点的位置信息，还可以学习到腿的运动信息。

运动迁移网络：

主干网络还是U-Net like 的encoder-decoder结构，增加了变形模块(Deformation module)融入光流信息。
核心内容：使用一个warp function将光流信息和encoder中特征进行融合。本质是一个可微的非线性变换，具体操作看代码吧：

def deform_input(self, inp, deformations_absolute):# 获取 deformations_absolute 的形状bs, d, h_old, w_old, _ = deformations_absolute.shape# 获取 inp 的形状_, _, _, h, w = inp.shape# 调整 deformations_absolute 的维度顺序，从 (bs, d, h_old, w_old, _) 变为 (bs, _, d, h_old, w_old)deformations_absolute = deformations_absolute.permute(0, 4, 1, 2, 3)# 使用插值方法调整 deformations_absolute 的大小，使其与 inp 的大小匹配deformation = F.interpolate(deformations_absolute, size=(d, h, w), mode=self.interpolation_mode)# 再次调整 deformation 的维度顺序，从 (bs, _, d, h, w) 变为 (bs, d, h, w, _)deformation = deformation.permute(0, 2, 3, 4, 1)# 使用 grid_sample 函数对 inp 进行变形deformed_inp = F.grid_sample(inp, deformation)# 返回变形后的输入return deformed_inp