User Controllable LT 水记（用三维光流自由地编辑GAN，平移缩放偏转的一致性都很强）

User Controllable LT 水记（用三维光流自由地编辑GAN，平移缩放偏转的一致性都很强）

《User-Controllable Latent Transformer for StyleGAN Image Layout Editing》

主页：http://www.cgg.cs.tsukuba.ac.jp/~endo/projects/UserControllableLT/

论文：https://arxiv.org/abs/2208.12408

项目：https://github.com/endo-yuki-t/UserControllableLT

高度可控的、解耦的、隐编码操作

我认为这篇最大的突破是整合了 warp 和 inpainting，提出了一种更细腻并且具有先验知识的warp方法。
这种思路非常重要，因为好多方法都用了 grid_sample 做 warp ，我认为这种简陋的warp方法是有很大局限性的，最终整个模型的表现都可能受限于这一个关口（比如FOMM花里胡哨做了一堆前期工作产生好光流，结果还是要靠warp特征图），很多用了 grid_sample 做 warp 的模型都会呈现出相似的模糊感，我认为这就是由于 warp 方法不够好导致的。

先看效果展示：

可以用鼠标操作，输入3D光流
可以打点，固定一部分不动，另一部分平移，另一部分不管
(a) 脸部移动有很好的平移不变性，不过其他部分也会变化
(b) 固定脚部不动，移动脸部
© 固定耳朵尖不动，移动脸部（耳朵被拉长了）
(d) 可以改变脸部朝向
(e)(f) 脸部可以缩放，缩放时也有不变性

实际上还是latent的线性编辑，不过编辑方向是由一个 Transformer 预测的。

使用预训练的StyleGAN，并且不进行微调。

用预训练的GAN合成训练集，训练 Latent Transformer 。

Latent Transformer 输入 原隐编码 ${\mathbf{w}}_{\text{before}}$ 和 3D 光流（用户输入），输出 编辑后的隐编码 ${\hat{\mathbf{w}}}_{\text{after}}$ 。

输入隐编码是一个定长序列（ $\mathcal{W}+$空间），3D光流是一个不定长序列，用这两个序列做cross-attention，输出新的隐编码（定长序列， $\mathcal{W}+$空间）

可惜，他用的是StyleGAN2，所以还是有纹理粘连问题。
不过令我很惊讶的是，它可以轻松生成身体结构正确的猫，我一直以为这种非对齐的数据集是很难用GAN产生合理的结构的，一般都是好多腿好多尾巴啥的。

不知道这个效果是经过了cherry pick，还是说这个预训练的StyleGAN2真的做到了能随便就产生可信的身体结构，而且还是在未对齐图像上训练的，而且能有如此之好的编辑效果。

记得去看看这个预训练模型用了什么技术实现这一点，我猜可能是用了自蒸馏的 $\mathcal{W}$ 空间截断。

方法

本研究的目的是，靠 用户直接在图片上给出的 运动向量 来 编辑StyleGAN图片。

公式化表述如下：

$$\mathbf{T}\left({\mathbf{w}}_{\text{before}},\mathcal{U},\mathbf{\alpha }\right)={\mathbf{w}}_{\text{before}}+\mathbf{\alpha }\cdot f\left({\mathbf{w}}_{\text{before}},\mathcal{U}\right)$$

其中 ${\mathbf{w}}_{\text{before}}$ 为初始的隐编码， $\mathcal{U}$ 为用户输入， $\mathbf{\alpha }$ 是一个控制编辑强度的系数， $f$ 是一个任意的神经网络。

定义用户输入 $\mathcal{U}=\{{\mathbf{v}}_i,{\mathbf{p}}_i{\}}_{i=1}^K$ ，包含 $K$ 个 运动向量 ${\mathbf{v}}_i\in {\mathbb{R}}^3$ （表示xyz方向）和 像素坐标 ${\mathbf{p}}_i\in {\mathbb{Z}}^2$ （表示 ${\mathbf{v}}_i$ 的起点）。

我们在 ${\mathcal{W}}^{+}$ 空间中编辑隐编码。

总体流程如下：

我们将用户输入 $\mathcal{U}$ 、初始隐编码 ${\mathbf{w}}_{\text{before}}$ 、StyleGAN特征图 输入 latent transformer，得到编辑后的隐编码 ${\hat{\mathbf{w}}}_{\text{after}}$ 。最后，我们将 ${\hat{\mathbf{w}}}_{\text{after}}$ 输入StyleGAN得到最终的图片。

训练 latent transformer 使用的是合成的数据集，我们使用 由 预训练的StyleGAN 和 光流网络 生成的 合成图像 和 伪用户输入 。

网络结构

latent tranformer 的结构
左边是 latent transformer 的整体结构
右边是 latent transformer 的 编-解码器部分 的具体结构

为了能处理数量可变的用户输入，在 latent transformer 中使用了 Transformer 编-解码 结构。

由于像素坐标 ${\mathbf{p}}_i$ 中 不含语义信息，我们根据 像素坐标 从 StyleGAN 的特征图 中抽取特征向量。这个点子来自于最近用 StyleGAN特征图 做 语义分割 的研究 [Col20*;* ZLG21; TRS21] 。

更具体地说，我们用 ${\mathbf{w}}_{\text{before}}$ 从 StyleGAN 中计算一个 64x64 的中间特征图，然后根据 ${\mathbf{p}}_i$ 从特征图中提取一系列的特征向量。

我们将 特征向量 与 运动向量 ${\mathbf{v}}_i$ 融合在一起，送入 transformer 编码器。更具体地说，我们将 特征向量 与 运动向量 ${\mathbf{v}}_i$ 分别送入两个个线性层转为256通道，然后拼接得到一个512通道的向量，然后再过一个线性层(保持512通道)，最后送入 transformer 编码器中。

在解码器这边，目标是将 ${\mathbf{w}}_{\text{before}}$ 转换为 ${\hat{\mathbf{w}}}_{\text{after}}$ 。

我们将 ${\mathbf{w}}_{\text{before}}$ 过一个线性层，然后与一个可学习的位置编码相加，作为。注意 ${\mathbf{w}}_{\text{before}}$ 处于 ${\mathcal{W}}^{+}$ 空间中，位置编码的作用是帮助区分不同层的 $\mathbf{w}$ 。

解码器的 cross attention 层以编码器的输出作为 key 和 value， 以处理后的 ${\mathbf{w}}_{\text{before}}$ 作为 query，输出编辑方向。把编辑方向用 $\mathbf{\alpha }$ 加权后与 ${\mathbf{w}}_{\text{before}}$ 相加，就得到 ${\hat{\mathbf{w}}}_{\text{after}}$ 。

训练

训练流程。其实光看图就差不多了。

先随机采样一个 ${\mathbf{w}}_{\text{before}}$ ，

$${\mathbf{w}}_{\text{before }}=\overline{\mathbf{w}}-\psi \left({\mathbf{w}}_{\text{rand }}-\overline{\mathbf{w}}\right)$$

这里用了截断技巧，将随机采样的隐编码与平均隐编码之间做一个线性插值。

对 ${\mathbf{w}}_{\text{before}}$ 做一个随机扰动 得到 ${\mathbf{w}}_{\text{after}}$ ，

$${\mathbf{w}}_{\text{after }}={\mathbf{w}}_{\text{before }}-\varphi \left({\mathbf{w}}_{\text{rand }}^{\prime }-{\mathbf{w}}_{\text{before }}\right)$$

就是随机采样一个新的隐编码 ${\mathbf{w}}_{\text{rand}}^{\prime }$ 然后与 ${\mathbf{w}}_{\text{before}}$ 做线性插值。

由于StyleGAN的深层控制姿势和形状，浅层控制风格和颜色，所以我们只操作最深的6层的隐编码。

对于 ${\mathbf{w}}_{\text{before}}$ 和 ${\mathbf{w}}_{\text{after}}$ 输出的图片，我们用一个预训练的 光流网络 计算 前向光流场。

为了能处理三维运动，我们使用 [YR20] ，这个方法能估计出提供 位置变化 的 光流 和 提供 比例变化 的 光膨胀。

于是我们对于每个 光流 $\left(x_j,y_j\right)$ 和 光膨胀 $z_j$ 计算出 三维运动向量 ${\left(\frac{x_j}{{\sigma }_f},\frac{yj}{{\sigma }_f},\frac{z_j}{{\sigma }_e}\right)}^T$ ，其中 ${\sigma }_f$ 和 ${\sigma }_e$ 是分别是用于归一化光流和光膨胀的常数，因为这两者在范围上往往有很大的不同。为了计算这两个参数，我们随机采样几百对 ${\mathbf{w}}_{\text{before}}$ 和 ${\mathbf{w}}_{\text{after}}$ ，对每一对都估计光流，我们定义 ${\sigma }_f$ 和 ${\sigma }_e$ 分别是光流和光膨胀的最大值的平均值。

然后我们下采样光流场，使用 16x16 的光流场作为 latent tranformer 的输入。

在训练过程中，始终保持 $\mathbf{\alpha }$ 为 1 。

我们计算 ${\mathbf{w}}_{\text{after}}$ 和 ${\hat{\mathbf{w}}}_{\text{after}}$ 之间的 L2 损失。

用户交互

额，这个就不用看了吧

实现细节

我们使用 RTX A4000 显卡（这里用了复数，可能不止一块）。

我们使用 预训练的 StyleGAN2 ，来自 https://github.com/justinpinkney/awesome-pretrained-stylegan2 。

对于 transformer 的编码器，我们使用了与 ViT 相同的架构。对于 transformer 的解码器，我们在 《Attention is all you need》 的原架构的基础上，采用了 PreNorm [WLX*19]（在sublayers之前应用归一化），在前向层中将 ReLU 替换为 GeLU 。

对所有 transformer 的编码器和解码器，将多头注意力 从 8头 改成 6头。为了训练 latent transformer ，我们使用 Ranger 优化器，学习率为0.001。采样 ${\mathbf{w}}_{\text{before}}$ 和 ${\mathbf{w}}_{\text{after}}$ 时， $\psi =0.3$ ， $\varphi =0.1$ 。

latent transformer 训练了 6万次迭代，batch_size 为 1 。在 256x256 上需要4小时训练，推理时间为 0.02 秒。在 1024x1024 上需要 7小时训练，推理时间为 0.07 秒。