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

也許你聽說過FaceApp，這是一款利用AI來改變自拍的移動應(yīng)用程序，你可能也聽說過“這些人物都不存在”網(wǎng)站，它可以顯示計算機(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說過嗎？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這個簡稱由Ian Goodfellow“欽定”

“生成自然視頻對于生成建模任務(wù)來說是一個明顯更困難的挑戰(zhàn)，受到數(shù)據(jù)復(fù)雜性和計算要求增加的困擾，”共同作者寫道。“出于這個原因，許多關(guān)于視頻生成的先前研究都圍繞著相對簡單的數(shù)據(jù)集或可獲得強(qiáng)時間條件信息的任務(wù)。我們的研究則關(guān)注視頻合成和視頻預(yù)測的任務(wù)......并將生成圖像模型的成果擴(kuò)展到視頻領(lǐng)域。”

研究人員圍繞尖端AI架構(gòu)構(gòu)建系統(tǒng)，并專門針對視頻進(jìn)行了特定的調(diào)整，使其能夠在Kinetics-600上進(jìn)行訓(xùn)練，這是一個比常用語料庫大一個數(shù)量級的自然視頻數(shù)據(jù)集。具體來說，研究人員利用擴(kuò)大的生成對抗網(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)換為逐個場景的情節(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)百萬個參數(shù)而著稱。

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

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

DVD-GAN包含兩個判別器：一個空間判別器，通過隨機(jī)采樣全分辨率幀并單獨處理，來評判單幀的內(nèi)容和結(jié)構(gòu)，還有一個是時間判別器，負(fù)責(zé)提供學(xué)習(xí)信號來生成運(yùn)動。此外還有一個單獨的模塊：變換器，讓學(xué)習(xí)到的信息在整個AI模型中傳播。

至于訓(xùn)練數(shù)據(jù)集（Kinetics-600），這是根據(jù)最初為人類行為識別策劃的500,000個10秒高分辨率YouTube剪輯編制的，研究人員稱該數(shù)據(jù)集具有“多樣化”和“非受限”的特點，他們聲稱這些特征消除了過擬合的風(fēng)險。（在機(jī)器學(xué)習(xí)中，過擬合是指與特定數(shù)據(jù)集過于緊密對應(yīng)的模型，因此無法可靠地預(yù)測未來的觀測結(jié)果。）

該團(tuán)隊在論文中表示，在經(jīng)過Google加速的第三代TPU訓(xùn)練12到96小時后，DVD-GAN成功創(chuàng)建了包括目標(biāo)結(jié)構(gòu)、移動，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)動組成像素更多。但研究人員指出，在UCF-101（13,320個人類行為視頻的較小數(shù)據(jù)集）上評估時，DVD-GAN生成的樣本的最好成績分?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，”論文中寫道。“我們想通過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是朝這個方向邁出的堅實一步。”