DeepMind把GAN又玩出了新花樣！這次推出的是雙視頻判別器GAN，通過(guò)對(duì)判別器更高效的分解，生成的視頻樣本在長(zhǎng)度和分辨率上都遠(yuǎn)高于此前最好水平，在多個(gè)合成和預(yù)測(cè)視頻數(shù)據(jù)集上刷新了SOTA。

也許你聽(tīng)說(shuō)過(guò)FaceApp，這是一款利用AI來(lái)改變自拍的移動(dòng)應(yīng)用程序，你可能也聽(tīng)說(shuō)過(guò)“這些人物都不存在”網(wǎng)站，它可以顯示計(jì)算機(jī)生成的虛構(gòu)人物照片。但是生成完完全全的新視頻的算法你聽(tīng)說(shuō)過(guò)嗎？最近，DeepMind的一篇最新論文詳細(xì)介紹了AI剪輯生成領(lǐng)域的最新進(jìn)展。

論文地址：

https://arxiv.org/pdf/1907.06571.pdf

研究人員表示，由于“高效計(jì)算”組件和技術(shù)的使用，再加上新的定制數(shù)據(jù)集，他們訓(xùn)練出的最佳性能模型：雙視頻鑒別器GAN（DVD-GAN）可以生成“高保真度”的連貫256 x 256像素視頻，幀數(shù)高達(dá)48幀。

DVD-GAN這個(gè)簡(jiǎn)稱(chēng)由Ian Goodfellow“欽定”

“生成自然視頻對(duì)于生成建模任務(wù)來(lái)說(shuō)是一個(gè)明顯更困難的挑戰(zhàn)，受到數(shù)據(jù)復(fù)雜性和計(jì)算要求增加的困擾，”共同作者寫(xiě)道?！俺鲇谶@個(gè)原因，許多關(guān)于視頻生成的先前研究都圍繞著相對(duì)簡(jiǎn)單的數(shù)據(jù)集或可獲得強(qiáng)時(shí)間條件信息的任務(wù)。我們的研究則關(guān)注視頻合成和視頻預(yù)測(cè)的任務(wù)......并將生成圖像模型的成果擴(kuò)展到視頻領(lǐng)域?！?/p>

研究人員圍繞尖端AI架構(gòu)構(gòu)建系統(tǒng)，并專(zhuān)門(mén)針對(duì)視頻進(jìn)行了特定的調(diào)整，使其能夠在Kinetics-600上進(jìn)行訓(xùn)練，這是一個(gè)比常用語(yǔ)料庫(kù)大一個(gè)數(shù)量級(jí)的自然視頻數(shù)據(jù)集。具體來(lái)說(shuō)，研究人員利用擴(kuò)大的生成對(duì)抗網(wǎng)絡(luò)（GAN），它已應(yīng)用于多種轉(zhuǎn)換任務(wù)，比如將字幕轉(zhuǎn)換為逐個(gè)場(chǎng)景的情節(jié)板，生成人造星系的圖像等。本文中采用的是BigGAN，以大批量和數(shù)百萬(wàn)個(gè)參數(shù)而著稱(chēng)。

DVD-GAN：雙判別器，非約束數(shù)據(jù)集無(wú)需擔(dān)心過(guò)擬合

一組4秒合成視頻剪輯，由Kinetics-600在128×128幀上訓(xùn)練

DVD-GAN包含兩個(gè)判別器：一個(gè)空間判別器，通過(guò)隨機(jī)采樣全分辨率幀并單獨(dú)處理，來(lái)評(píng)判單幀的內(nèi)容和結(jié)構(gòu)，還有一個(gè)是時(shí)間判別器，負(fù)責(zé)提供學(xué)習(xí)信號(hào)來(lái)生成運(yùn)動(dòng)。此外還有一個(gè)單獨(dú)的模塊：變換器，讓學(xué)習(xí)到的信息在整個(gè)AI模型中傳播。

至于訓(xùn)練數(shù)據(jù)集（Kinetics-600），這是根據(jù)最初為人類(lèi)行為識(shí)別策劃的500,000個(gè)10秒高分辨率YouTube剪輯編制的，研究人員稱(chēng)該數(shù)據(jù)集具有“多樣化”和“非受限”的特點(diǎn)，他們聲稱(chēng)這些特征消除了過(guò)擬合的風(fēng)險(xiǎn)。（在機(jī)器學(xué)習(xí)中，過(guò)擬合是指與特定數(shù)據(jù)集過(guò)于緊密對(duì)應(yīng)的模型，因此無(wú)法可靠地預(yù)測(cè)未來(lái)的觀測(cè)結(jié)果。）

該團(tuán)隊(duì)在論文中表示，在經(jīng)過(guò)Google加速的第三代TPU訓(xùn)練12到96小時(shí)后，DVD-GAN成功創(chuàng)建了包括目標(biāo)結(jié)構(gòu)、移動(dòng)，甚至是復(fù)雜紋理的視頻。模型還盡力在更高的分辨率下創(chuàng)建連貫的物體，物體的運(yùn)動(dòng)組成像素更多。但研究人員指出，在UCF-101（13,320個(gè)人類(lèi)行為視頻的較小數(shù)據(jù)集）上評(píng)估時(shí)，DVD-GAN生成的樣本的最好成績(jī)分?jǐn)?shù)為32.97。

“我們希望進(jìn)一步強(qiáng)調(diào)在大型復(fù)雜視頻數(shù)據(jù)集（如Kinetics-600）上訓(xùn)練生成模型的好處，”論文中寫(xiě)道?！拔覀兿胪ㄟ^(guò)DVD-GAN在此數(shù)據(jù)集上建立的強(qiáng)大基線標(biāo)準(zhǔn)，作為生成建模社區(qū)的參考標(biāo)桿。雖然在非約束的環(huán)境下，要想始終如一地生成逼真的視頻還有很多工作要做，但我們相信，DVD-GAN是朝這個(gè)方向邁出的堅(jiān)實(shí)一步?！?/p>