一 写在前面

未经允许，不得转载，谢谢～～～

大概有几个月没有写论文解读类的blog了，有点手生，但还是想坚持更新吧，最近会陆续更一些关注的paper的解读笔记，欢迎交流。

主要信息：

• 文章出处：CVPR2020
• 文章代码：暂时没找到
• 视频demo：https://www.youtube.com/watch?v=CFPTycDPYF8
• 原文链接：http://openaccess.thecvf.com/content_CVPR_2020/papers/Burkov_Neural_Head_Reenactment_with_Latent_Pose_Descriptors_CVPR_2020_paper.pdf

二 主要内容

2.1 任务介绍

文章的主要任务是head reenactment， 具体内容结合下图进行介绍：

task

给定一个表示姿态的pose，和一个表示面貌的identity，其目标为让identity保持其面貌不变的情况下去做给定pose中所示的姿态。

在这个例子中蒙娜丽莎就是我们的identity，上面一排呈现不同头部姿态的图我们称之为pose driver，第2排即蒙娜丽莎模仿第1排对应pose的结果。

这里给的例子是image-level的，但其实文章工作是做到video-level的，结合这个例子就是可以让蒙娜丽莎跟着一段视频进行pose的变换。

2.2 相关工作

作者首先提出pose representation学习对于这个任务的性能表现好坏具有关键性的作用。

大多数方法都是基于keypoints即头部关键点信息来对图片进行表征的，这种方法的好处是可以使用现有的一些检测器，比较方便鲁棒。

但也有很多的不足：

• 需要手工标注；
• 会缺少比较多的细节，比如眼部的细节之类的；
• 很多数据集的标注缺少结构基础，尤其是在有遮挡的情况下就会出现关键点不明确甚至出错的可能。
• 关键点是person-specific的，这一点与head reenactment这个任务有出入。（这里我自己理解的是假设我们的目标是要学习某个固定的pose，但不同胖瘦或者不同脸型的人作为pose driver时即使pose一样，其对应的keypoints也是有差别的）

当然文中也列了一些别的例如利用Action Unit（AU）的，或者是经典的3D morphable model（3DMM）方法，我自己对这个领域不是很熟悉，就不在这里介绍了。

2.3 本文工作

这篇工作的前驱工作是Few-shot adversarial learning of realistic neural talking head models（ICCV2019），这就是一篇利用keypoints信息进行pose特征学习的工作。

前驱工作框架图

文章在这个框架的基础上主要在2个方面做了修改提升：

1. 使得模型拥有识别前景的能力；（增加了语义分割）
2. 修改pose的表征从keypoints-based ---> latent pose vector; （最主要的一点）

：）如果要详细学习这篇文章的处理细节，还是应该去翻出之前这篇文章的原文学习一下的，如果只是想了解这篇文章的idea或者说思路的话我觉得看这一篇也差不多够了。

三 具体方法

先看一下framework图：

framework

3.1 模型介绍

每个视频取K+1帧， 前K帧（左上角）作为identity source输入，最后1帧（右下角）作为pose source输入；

对于identity source（K帧），分别过一个网络参数比较多的identity encoder获取到对应的特征表示，然后取每帧的特征平均作为这个视频的identity embedding。

对于pose souce（第K+1帧），首先经过一系列Augment增强操作（这个很重要，等会介绍），再过一个相对较小的pose encoder获取到特征表示pose embedding。

此外，还会将第K+1帧输入到语义分割网络中，得到对应的mask（如图最右侧所示），以消除背景带来的影响。

然后将identity embedding和pose embedding做一个concat之后，经过一系列MLP和Generator结构生成最终的结果（4x256x256大小的矩阵）。这个矩阵具体表现为一个3x256x256的RGB图 + 1x256x256的灰度图。其中，3x256x256RGB图就是我们预测到的同时保留identity source中的面貌和pose souce中的姿态，而1x256x256的灰度图表示预测到的前景分割的结果。

这里之所以能实现从<identity embedding, pose embedding> 到目标图的生成，AdaIN（adaptive instance normalization）起到了很关键的作用。关于AdaIN具体的细节就不再介绍了，最先是在style transfer领域中被用的很多，这里也是受到这种思想的启发。可以将pose理解为style transfer中的“style”。

然后就是针对{预测K+1帧图，原始K+1帧图}, {预测K+1帧的分割图，原始K+1帧的分割图}设计各种loss以优化网络参数。

最后就是对第K+1帧进行Augment的理解。细心的话应该可以发现framework图中左下角的人样子和色调看起来都跟原来的不太一样，这里面的操作其实很简单，就是对原始的K+1帧图像进行一些拉伸，对比度修改等变化，来达到保留原始K+1帧图像pose但是修改其identity的效果。

：）我个人觉得这里是这篇文章的灵魂，脱离了keypoints这样的信息，就需要找额外的方式来对pose进行表征。因此，设计这样一个可以利用原视频本身的信息进行模型训练的方法，解决数据GT的问题。

3.2 其他细节

1） finetuning

对于新的identity，对网络identity encoder以及pose encoder之外的部分进行微调以获取更好的结果。

2）disentanglement of pose and identity

作者一开始认为真正实现pose和identity的分离可能需要借助对抗训练或者是clyle-consistency，但是后来发现以下的3点设计已经使得模型具备对两者进行分离的能力：

• low enough capacity of the pose extractor network；
• pose augmentations applied
• background segmented out

四 实验结果

不管是对于主实验的分析还是各种abalation study做的都还是比较充分的，这里挑2个我觉得比较能说明问题的结果。

4.1 定量结果

评价指标：

• identity error：表征脸部的相近程度，用ArcFace人脸检测模型检测到的特征表示之前的差距作为衡量指标。
• pose reconstruction error：表征pose的相近程度，用脸部关键点作为衡量指标。
• 越靠近左下角越好。

实验结果概览：

• ours超过绝大多数的模型（除了FASH+的identity error）
• 关于+的标记：可以看成是固定pose representation部分，但是其他用本文的方法。（非严格解释）

4.2 定性结果

贴一个实验结果图, 整体效果还是挺好的。

五 写在最后

对这个方向不是很熟悉，应该是head reenactment方向接触到的第一篇paper，主要是觉得这篇工作解决问题的思路比较好，有可以学习借鉴的地方，但是对于文章的细节不是很有把握。

如果blog中出现解读有偏差或者错误的地方还请大家帮忙指正，/感恩.jpg (･∀･*)♪ﾟ