AI又進階了？
而且是一張圖產生連貫30秒影片的那種。
emm....這品質是不是有點太糊了
要知道這只是從單一影像（第一幀）產生的，而且沒有任何顯示的幾何資訊。
這是DeepMind最近提出的一個基於機率幀預測的圖像建模和視覺任務的通用框架——Transframer。
簡單講，就是用Transframer來預測任一幀的機率。
這些影格可以以一個或多個標註的上下文影格為條件，既可以是先前的視訊影格、時間標記或攝影機標記的視圖場景。
先來看看這個神奇的Transframer的架構是怎麼運作的。
論文地址就貼在下面了，有興趣的童鞋可以看看~https://arxiv.org /abs/2203.09494
為了估計目標影像上的預測分佈，我們需要一個能夠生產多樣化、高品質輸出的表達生成模型。
儘管DC Transformer在單一圖像域上的結果可以滿足需求，但並非以我們需要的多圖像文字集{(In,an)}n為條件。
因此，我們對DC Transformer進行了擴展，以啟用圖像和註解條件預測。
我們取代了DC Transformer 的Vision-Transformer風格的編碼器，該編碼器使用多幀U-Net 架構對單一DCT影像進行操作，用於處理一組註解的影格以及部分隱藏的目標DCT影像。
下面來看看Transframer架構是如何運作的。
（a）Transframer將DCT影像（a1和a2）以及部分隱藏的目標DCT影像（aT）和附加註解作為輸入，並由多幀U-Net編碼器處理。接下來，U-Net輸出透過交叉注意力傳遞給DC-Transformer解碼器，該解碼器則會自動回歸產生與目標影像的隱藏部分對應的DCT Token序列（綠色字母）。 （b）多幀U-Net block由NF-Net卷積塊、多幀自註意力塊組成，它們在輸入幀之間交換資訊和 Transformer式的殘差MLP。
再來看看處理映像輸入的Multi-Frame U-Net。
U-Net的輸入是由N個DCT幀和部分隱藏目標DCT幀組成的序列，註釋資訊以與每個輸入幀相關聯的向量的形式提供。
U-Net的核心元件是一個計算區塊，它首先將一個共享的NF-ResNet 卷積塊應用於每個輸入幀，然後應用一個Transformer樣式的自我注意區塊來聚合跨幀的資訊。 （圖2 b）
NF-ResNet區塊由分組卷積和擠壓和激發層組成，旨在提高TPU的效能。
下面，圖(a)比較了RoboNet (128x128) 和KITTI影片的絕對和殘差DCT表徵的稀疏性。
由於RoboNet由只有少數運動元素的靜態影片組成，因此殘差幀表徵的稀疏性顯著增加。
#而KITTI視訊通常具有移動攝像頭，導致連續幀中幾乎所有地方都存在差異。
但在這種情況下，稀疏性小帶來的好處也隨之弱化。
#透過一系列資料集和任務的測試，結果顯示Transframer可以應用於多個廣泛任務。
其中就包含影片建模、新視圖合成、語意分割、物件辨識、深度估計、光流預測等等。
影片建模
##透過Transframer在給定一系列輸入視訊幀的情況下預測下一幀。
研究人員分別在KITTI和RoboNet兩個資料集上，訓練了Transframer在影片產生上的表現如何。
對於KITTI，給定5個上下文幀和25取樣幀，結果顯示，Transframer模型在所有指標上的性能都有所提高，其中LPIPS和FVD的改進是最顯而易見的。
在RoboNet上，研究人員給定2個上下文幀和10個採樣幀，分別以64x64 和128x128的解析度進行訓練，最終也取得了非常好的結果。
「檢視合成
##在視圖合成方面，研究者透過提供相機視圖作為表1（第3 行）中所述的上下文和目標註釋，以及統一採樣多個上下文視圖，直到指定的最大值。
透過提供1-2個上下文視圖，在ShapeNet 基準上評估模型Transframer，明顯優於PixelNeRF和SRN。
此外在資料集Objectron進行評估後，可以看出當給定單一輸入視圖時，模型會產生連貫的輸出，但會遺漏一些特徵，例如交叉的椅子腿。
############當給出1個上下文視圖，以128×128解析度合成的視圖如下：############ #################當再給予2個上下文視圖，以128×128解析度合成的視圖如下：#########
多視覺任務
#不同的電腦視覺任務通常使用複雜的架構和損失函數來處理。
這裡，研究人員在8個不同的任務和資料集上使用相同的損失函數聯合訓練了Transframer模型。
這8個任務分別是：單一影像的光流預測、物件分類、偵測與分割、語意分割（在2個資料集上）、未來幀預測和深度估計。
結果顯示，Transframer學會在完全不同的任務中產生不同的樣本，在某些任務中，例如Cityscapes，該模型產生了品質上好的輸出。
但是，在未來幀預測和邊界框檢測等任務上的模型輸出品質參差不齊，這表明在此設定中建模更具挑戰性。
#
以上是給我一張圖，生成30秒影片！的詳細內容。更多資訊請關注PHP中文網其他相關文章！
