本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
动画，动画，就是你动你的，我画我的。
就像下面这张GIF，左边是张静态图片，随着画者一点一点为其勾勒色彩，右边的动图也在实时地变换颜色。
这就是来自布拉格捷克理工大学和Snap研究所的黑科技——**只需要2个特定的帧，就能实时变换视频中对象的颜色、风格甚至是样式。
当然，更厉害的还在后面。
拿一张你的卡通头像图片，随意对其修改，顶着这张头像，坐在镜头前的你，也会实时发生改变。
甚至，你还可以一边画自己，一边欣赏自己慢慢变成动画效果的过程。
真可谓是这边动着，那边画着，动画就出来了。
而且整个过程无需冗长的训练过程，也不需要大规模训练数据集，研究也提交至SIGGRAPH 2020。
那么，这么神奇的效果到底是如何做到的呢？
交互式视频风格化
首先，输入一个由 N 帧组成的视频序列 I。
如下图所示，对于任何一帧 Ii，可以选择用蒙版 Mi来划定风格迁移的区域，或者是对整一帧进行风格迁移。
用户需要做的是提供风格化的关键帧 Sk，其风格会被以在语义上有意义的方式传递到整个视频序列中。
与此前方法不同的是，这种风格迁移是以随机顺序进行的，不需要等待顺序靠前的帧先完成风格化，也不需要对来自不同关键帧的风格化内容进行显式合并。
也就是说，该方法实际上是一种翻译过滤器，可以快速从几个异构的手绘示例 Sk 中学习风格，并将其“翻译”给视频序列 I 中的任何一帧。
这个图像转换框架基于 U-net 实现。并且，研究人员采用基于图像块（patch-based）的训练方式和抑制视频闪烁的解决方案，解决了少样本训练和时间一致性的问题。
基于图像块的训练策略
关键帧是少样本数据，为了避免过拟合，研究人员采用了基于图像块的训练策略。
从原始关键帧（Ik）中随机抽取一组图像块（a），在网络中生成它们的风格化对应块（b）。
然后，计算这些风格化对应块（b）相对于从风格化关键帧（Sk）中取样对应图像块的损失，并对误差进行反向传播。
这样的训练方案不限于任何特定的损失函数。本项研究中，采用的是L1损失、对抗性损失和VGG损失的组合。
超参数优化
解决了过拟合之后，还有一个问题，就是超参数的优化。不当的超参数可能会导致推理质量低下。
研究人员使用网格搜索法，对超参数的4维空间进行采样：Wp——训练图像块的大小；Nb——一个batch中图像块的数量；α——学习率；Nr——ResNet块的数量。
对于每一个超参数设置：（1）执行给定时间训练；（2）对不可见帧进行推理；（3）计算推理出的帧（O4）和真实值（GT4）之间的损失。
而目标就是将这个损失最小化。
提高时间一致性
训练好了翻译网络，就可以在显卡上实时或并行地实现视频风格迁移了。
不过，研究人员发现在许多情况下，视频闪烁仍很明显。
第一个原因，是原始视频中存在时态噪声。为此，研究人员采用了在时域中运行的双边滤波器的运动补偿变体。
第二个原因，是风格化内容的视觉歧义。解决方法是，提供一个额外的输入层，以提高网络的判别能力。
该层由一组随机2维高斯分布的稀疏集合组成，能帮助网络识别局部上下文，并抑制歧义。
不过，研究人员也提到了该方法的局限性：
当出现新的没有被风格化的特征时，该方法通常不能为其生成一致的风格化效果。需要提供额外的关键帧来使风格化一致。
处理高分辨率（如4K）关键帧比较困难
使用运动补偿的双边滤波器，以及随机高斯混合层的创建，需要获取多个视频帧，对计算资源的要求更高，会影响实时视频流中实时推理的效果。（Demo的实时捕获会话中，没有采用提高时间一致性的处理方法）
研究团队
这项研究一作为Ondřej Texler，布拉格捷克理工大学计算机图形与交互系的三年级博士生。
本科和硕士也均毕业于此。主要研究兴趣是计算机图形学、图像处理、计算机视觉和深度学习。
除了一作之外，我们还发现一位华人作者——柴蒙磊。博士毕业于浙江大学，目前为Snap Research创意视觉(Creative Vision)组的资深研究科学家。
主要从事计算机视觉和计算机图形学的研究，主攻人类数字化、图像处理、三维重建和基于物理的动画。
传送门
项目地址：
https://ondrejtexler.github.io/patch-based_training/
