让我们炫耀您的球技，看看特朗普版本的“鸡，你真漂亮”：跳舞更好：您只需要一个或多个角色图像，然后提供一个跳舞视频，原来是静态的角色可以轻松地学习舞蹈。

衣服的细节和其他细节是一致的，但是脚步有点漂移...如以下视频所示，舞蹈转弯和面向后方的综合效果得到了改善。

根据新论文“具有注意的翘曲GAN：用于人类图像合成的统一框架”，改进版本的优点在于源图像的数量已经从一个变为一组。

以动作组成为例。

源图像是一组具有不同视角的图像，因此从多个视角来看，合成结果看起来更好。

论文地址：https://arxiv.org/pdf/2011.09055.pdf GitHub地址：https://github.com/iPERDance/iPERCore项目主页：https://www.impersonator.org/work/impersonator-plus-plus 。

html这项研究在一个统一的框架内处理人体图像合成，包括人体动作模仿，外观迁移和新视图合成。

经过训练的模型可以处理这些任务。

现有的大多数特定于任务的方法都使用2D关键点（姿势）来估计人体的结构。

但是，这种类型的方法仅表达位置信息，既不能表征角色的个人姿势，也不能建模肢体的旋转。

针对上述问题，本研究提出使用3D人体网格物体恢复模块来分析人体的姿势和形状，以便不仅可以对人体关节的位置和旋转进行建模，而且可以对人体进行个性化建模。

可以表征人体的形状。

为了保留源信息（例如纹理，样式，颜色，面部识别信息），研究提出了一种新模型Attentional Liquid Warping GAN，其中包括Attentional Liquid Warping Block（AttLWB），可以将源信息合并到图像和特征空间传播给合成参考。

具体来说，为了更好地表征源图像的识别信息，本研究使用去噪卷积自动编码器提取源特征。

此外，此方法还可以支持来自多个来源的更灵活的变形。

为了进一步提高未知源图像的泛化能力，本研究采用单次对战学习。

具体来说，它首先在广泛的训练集中训练模型。

然后，通过一张/几张未知图片以自我监督的方式对模型进行优化，并获得高分辨率（512×512和1024×1024）的生成结果。

同时，研究还建立了一个新的数据集，即Impersonator（iPER）数据集，该数据集用于评估人体运动模仿，外观迁移和新视图合成。

大量实验证明了该方法在保持面部信息，形态一致性和衣服细节方面的有效性。

免责声明：本文内容经21ic授权后发布，版权归原作者所有。

该平台仅提供信息存储服务。

本文仅代表作者的个人观点，并不代表该平台的立场。

如有任何疑问，请与我们联系，谢谢！