论文阅读 视频生成|| Video-to-Video Synthesis
T.-C. Wang et al., “Video-to-Video Synthesis,” arXiv:1808.06601 [cs], Dec. 2018, Accessed: Nov. 03, 2020. [Online]. Available: http://arxiv.org/abs/1808.06601.
论文项目地址: https://tcwang0509.github.io/vid2vid/
目录
Abstract
Introduction
Related Work
1. GANs
2. Unconditional video synthesis
3. Future video prediction
4. video-to-vide synthesis
Video-to-Video Synthesis
序列生成器
基本原理
trick1: 通过光流估计利用帧间冗余
trick2: 前景-背景先验
trick3: Multimodal Synthesis
生成器网络结构
判别器
损失函数
实验
数据集
Baseline
评价指标
结果
如下图所示：人脸
跳舞视频
道路视频
Discussion
Abstract
video-to-video synthesis: 学习一个从输入视频(如一系列语义分割组成的视频)到输出视频(如真实场景)的映射.
目前(2018年底)的研究现状: 尽管image-to-image得到了很好的研究，但视频到视频的研究害很少。如果直接采用image-to-image的技术，在强行把每一帧拼到一起得到视频，则视频质量很低，看起来也不连贯。
本文的工作: 提出了一个基于GAN的video-to-video synthesis方法。并在三种不同类型的场景(分割、骨架和姿态)下进行了验证。
本文的效果: 可以达到2k的分辨率和最长30s的长度，远好于SOTA.
Introduction
生成视频很有意义, 可以应用在计算机视觉、机器人、计算机图形学等领域。目前有根据已有帧预测futer video的研究；有无条件的视频生成。但这篇文章inspired by其他特定目的的视频处理方法，如视频去噪、视频取模糊等，研究了视频到视频的条件生成任务。
具体而言，本文将视频到视频的图像合成任务看作了分布匹配问题，通过条件GAN将分割视频、骨架视频等转换为真实的视频。
文章在多个数据集上进行了尝试，输入的格式包括分割、骨架和姿态，能够产生2k的分辨率和最长30s的长度，远好于SOTA.
Related Work
1. GANs
文章使用了条件GAN, 以manipulable(可操作的) semantic representations作为条件输入。
2. Unconditional video synthesis
从随机向量生成视频，如VGAN使用了时空卷积网络，TGAN将latent code映射为图片，再转换为视频；MoCoGAN使用RNNl；
因为无条件的设定，所以该类方法的重建视频通常分辨率较低且时间短。
3. Future video prediction
用观测到的帧预测未来的帧，它以图像重建loss 进行优化，常常会导致模糊，同时也无法完成长时间的预测毕竟信息有限。
video-to-video合成问题与视频预测在本质上是不同的。因为video-to-video合成不会尝试预测物体的运动，而是根据已有的条件信息来产生另一个域的对应信息。
4. video-to-vide synthesis
视频去噪、去模糊、去雨等也可以看作是video-to-vide synthesis问题。但这类研究都是对特定任务的，因此不能直接把已有的去噪之类的方法拿来做为本文的方法。
Video-to-Video Synthesis
： 输入视频序列，比如是语义分割帧的序列或者边缘图序列；
：真实场景的(目标)视频序列；
本篇文章的目标：找到从到重建视频
的映射。从而使二者的条件分布相同:
根据GAN理论，目标函数为：
![\max_{D}\min_{G} E_{(x_{1}^T,s_{1}^T)} [\log D(x_{1}^T,s_{1}^T)] + E_{s_{1}^T} [\log (1 - D(G(s_{1}^T),s_{1}^T))]](http://img.e-com-net.com/image/info8/da1871988be34dcb8ec20cff7d95c34b.gif){kind=small}
以此为理论依据，论文提出了新的网络结构去完成video-to-vide synthesis任务。
序列生成器
基本原理
通过假设马尔可夫过程来简化图像生成任务，即认为条件分布
可以分解为
也就是说视频仅仅通过部分的帧序列即可还原，并且第t帧
只与下面3个有关：
(1) 当前输入帧
；
(2) 之前的L个输入帧;
(3)之前的L个生成帧
。
通过训练一个网络F，来使用第t帧
建模条件分布
.
通过递归使用F来得到最终的输出，即重建的视频。
L的取值显然需要trade-off，当L太大时，太耗卡；当L过小时，质量不好。因此文章选择了L=2;
trick1: 通过光流估计利用帧间冗余
除了连续帧之间恰好被遮挡的物体，其他情况下使用光流估计利用帧间冗余都是有效的。通过把F建模为
其中，
表示element-wise操作，1表示全1图像。这样，第一部分就是考虑到光流估计的前一帧；第二部分即为合成的有新像素的图片。上式中各项的含义为
: 估计的从
到
的光流；W是光流预测网络。文章通过输入的帧
和之前合成的帧来估计光流. 
的意思是使用
来wrap.
是由生成器H合成的图片；
是遮挡mask，取值为[0,1]之间的连续值，M则是mask预测网络。通过使用连续取值而不是bool值来更好地处理放大区域(也就是图片放大之后会变模糊，一些像素看起来就好像既被遮挡了又没被遮挡)，从而更好地恢复细节。
trick2: 前景-背景先验
这个trick只针对分割语义的输入情况，此时F可以进一步建模为
其中, 
是前景模型；
是后景模型；
是由输入的分割语义得到的背景mask. 实验证明，该trick能够提高指标。
trick3: Multimodal Synthesis
论文中好像没有明确表示是否适用于所有输入，但只描述了在语义分割下的原理。能够使得同样的输入得到多个不同视觉效果的输出，
生成器网络结构
生成器使用了粗-精细两部分重建的结构。其中，粗糙重建的网络结构如下图所示
可见，它以输入序列和之前的合成序列为网络输入，每部分的帧被concat一起然后经过几个res block形成了两个包含high-level features的中间层。然后，将两个中间层加到一起并且feed into两个分离的残差网络。第一个网络H得到由生成器H合成的图片 ；第二个网络表示M和W，得到了光流和遮挡mask。
接下来是全部的网络结构，即再加上两个精细还原结构：
通过相加将G2提取的特征和G1的输出组合到一起并decode得到最终的高分辨率结果。
判别器
文章使用了两个鉴别器来缓解mode collapse并提升效果。
条件图像鉴别器DI: 判断每一个输出帧是否真实，即对真实的pair 输出1；对假pair 
输出0；
条件视频鉴别器DV： 在给定相同光流的情况下判断生成的序列是否真实。对对真实的pair 
输出1；对假pair 
输出0；
使用了采样算子来实现上面的操作。
损失函数
损失函数如下
其中LI是图像部分条件GAN的loss，使用了采样算子
![E_{\phi_I(x_1^T,s_1^T)} [\log D_I(x_i,s_i)] + E_{\phi_I(\hat{x}_1^T,s_1^T)} [\log (1 - D_I(\hat{x}_i,s_i))]](http://img.e-com-net.com/image/info8/31cf4c732795416eb3133a5442608c59.gif){kind=small}
LV是视频部分条件GAN的loss，使用了采样算子
![E_{\phi_V (w_1^{T-1},x_1^T,s_1^T)} [\log D_V(x_{i-K}^{i-1},w_{i-K}^{i-2})] + E_{\phi_V (w_1^{T-1},\hat{x}_1^T,s_1^T)} [\log (1 - D_V(\hat{x}_{i-K}^{i-1},w_{i-K}^{i-2}))]](http://img.e-com-net.com/image/info8/6b812afda4f14c8fa679f29aae092c17.gif){kind=small}
LW则是光流损失，包括两个部分，一个是估计的光流和真实的光流之间的区别；另一个是由光流估计的帧和真实帧之间的区别:
实验
数据集
文章共使用了如下数据集：
- Cityscapes
- Apolloscape
- Face Video Dataset
- Dance Video Dataset
Baseline
使用了两个baseline
- pix2pixHD，通过生成图片并拼接来比较；
- COVST
评价指标
使用了基于Amazon Mechanical Turk的人类主观评价 以及 FID。
结果
如下图所示：人脸
跳舞视频
道路视频
定量比较
Discussion
主要的缺点是
- 对一些场景不能很好地重建，如正在转弯的车，也许可以通过加3D线索，如深度信息来解决；
- 无法保证同意物体在整个场景下保持不变；
- 难以完成语义操纵。