[[424946]]

本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

Transformer又又接新活了——

這次谷歌用它搞了一個(gè)會(huì)根據(jù)音樂跳舞的AI。

話不多說，先讓它給大家來幾段freestyle（原視頻見文末地址）：

嗯，動(dòng)作還挺美觀，各種風(fēng)格也駕馭住了。

看著我都想跟著來一段。

你pick哪個(gè)？

而這個(gè)AI也憑借著對(duì)音樂和舞蹈之間的關(guān)聯(lián)的深刻理解，打敗了3個(gè)同類模型取得SOTA，登上了ICCV 2021。

另外，除了代碼開源，研究團(tuán)隊(duì)還隨之一起公開了一個(gè)含有10種類型的3D舞蹈動(dòng)作數(shù)據(jù)集。

心動(dòng)的，搞起來搞起來！

這個(gè)freestyle怎么來？

前面咱們不是說，這個(gè)AI用了Transformer嗎？

但這里的Transformer不是普通的Transformer，它是一個(gè)基于完全注意力機(jī)制（Full-Attention）的跨模態(tài)Transformer，簡稱FACT。

為什么要搞這么復(fù)雜？

因?yàn)檠芯咳藛T發(fā)現(xiàn)，光用單純的Transformer并不能讓AI理解音樂和舞蹈之間的相關(guān)性。

所以，這個(gè)FACT是怎么做的呢？

總的來說，F(xiàn)ACT模型采用了獨(dú)立的動(dòng)作和音頻transformer。

首先輸入2秒鐘的seed動(dòng)作序列和一段音頻，對(duì)其進(jìn)行編碼。

然后將embedding（從語義空間到向量空間的映射）連接起來，送入跨模態(tài)transformer學(xué)習(xí)兩種形態(tài)的對(duì)應(yīng)關(guān)系，并生成n個(gè)后續(xù)動(dòng)作序列。

這些序列再被用來進(jìn)行模型的自監(jiān)督訓(xùn)練。

其中3個(gè)transformer一起學(xué)習(xí)，采用的是不用預(yù)處理和特征提取，直接把原始數(shù)據(jù)扔進(jìn)去得到最終結(jié)果的端到端的學(xué)習(xí)方式。

另外就是在自回歸框架中進(jìn)行模型測試，將預(yù)期運(yùn)動(dòng)作為下一代階段的輸入。

最終，該模型可以逐幀地生成一段（long-range）舞蹈動(dòng)作。

下圖則展示了該模型通過同一段種子動(dòng)作（嘻哈風(fēng)格）、不同音樂生成了四種舞蹈作品（霹靂舞、爵士芭蕾、Krump和Middle Hip-hop）。

有沒有懂行的點(diǎn)評(píng)一下？

而為了讓AI生成的舞蹈生動(dòng)且和音樂風(fēng)格保持一致，這個(gè)模型設(shè)計(jì)里面有3個(gè)關(guān)鍵點(diǎn)：

1、模型內(nèi)部token可以訪問所有輸入，因此三個(gè)transformer都使用一個(gè)完全注意力mask。這使得它比傳統(tǒng)的因果模型更具表現(xiàn)力。

2、不止預(yù)測下一個(gè)，該模型還預(yù)測N個(gè)后續(xù)動(dòng)作。這有助于模型關(guān)注上下文，避免在幾個(gè)生成步驟后出現(xiàn)動(dòng)作不銜接和跑偏的情況。

3、此外，在訓(xùn)練過程的前期還用了一個(gè)12層深的跨模態(tài)transformer模塊來融合兩個(gè)embedding（音頻和動(dòng)作）。研究人員表示，這是訓(xùn)練模型傾聽分辨輸入音樂的關(guān)鍵。

下面就用數(shù)據(jù)來看看真實(shí)性能。

打敗3個(gè)SOTA模型

研究人員根據(jù)三個(gè)指標(biāo)來評(píng)估：

1、動(dòng)作質(zhì)量：用FID來計(jì)算樣本（也就是他們自己發(fā)布的那個(gè)數(shù)據(jù)集，后面介紹）和生成結(jié)果在特征空間之間的距離。一共用了40個(gè)模型生成的舞蹈序列，每個(gè)序列1200幀（20秒）。

FID的幾何和動(dòng)力學(xué)特性分別表示為FIDg和FIDk。

2、動(dòng)作多樣性：通過測量40套生成動(dòng)作在特征空間中的平均歐氏距離（Euclidean distance）得出。

分別用幾何特征空間Distg和動(dòng)力學(xué)特征空間k來檢驗(yàn)?zāi)Ｐ蜕筛鞣N舞蹈動(dòng)作的能力。

3、動(dòng)作與音樂的相關(guān)性：沒有好的已有指標(biāo)，他們自己提出了一個(gè)“節(jié)拍對(duì)齊分?jǐn)?shù)”來評(píng)估輸入音樂（音樂節(jié)拍）和輸出3D動(dòng)作（運(yùn)動(dòng)節(jié)拍）之間的關(guān)聯(lián)。

下面是FACT和三種SOTA模型（Li等人的、Dancenet、Dance Revolution）的對(duì)比結(jié)果：

可以看到，F(xiàn)ACT在三項(xiàng)指標(biāo)上全部KO了以上三位。

*由于Li等人的模型生成的動(dòng)作不連續(xù)，所以它的平均動(dòng)力學(xué)特征距離異常高，可以忽略。

看了數(shù)據(jù)，咱們?cè)倏磦€(gè)更直觀的：

emmm，相比動(dòng)作靈活的FACT，其他兩位看起來都有點(diǎn)“不太聰明”的亞子……

舞蹈動(dòng)作數(shù)據(jù)集AIST++

最后，再來簡單介紹一下他們自己打造的這個(gè)3D舞蹈動(dòng)作數(shù)據(jù)集AIST++。

看名字你也發(fā)現(xiàn)了，這是基于現(xiàn)有的舞蹈數(shù)據(jù)集AIST的“加強(qiáng)版”，主要是在原有基礎(chǔ)上加上了3D信息。

最終的AIST++一共包含5.2小時(shí)、1408個(gè)序列的3D舞蹈動(dòng)作，跨越十種舞蹈類型，包括老派和新派的的霹靂舞、Pop、 Lock、Waack，以及Middle Hip-Hop、LA-style Hip-Hop、House、Krump、街頭爵士和爵士芭蕾，每種舞蹈類型又有85%的基本動(dòng)作和15%的高級(jí)動(dòng)作。

（怎么感覺全是街舞?。浚?/p>

每個(gè)動(dòng)作都提供了9個(gè)相機(jī)視角，下面展示了其中三個(gè)。

它可以用來支持以下三種任務(wù)：多視角的人體關(guān)鍵點(diǎn)估計(jì)；人體動(dòng)作預(yù)測/生成；人體動(dòng)作和音樂之間的跨模態(tài)分析。

團(tuán)隊(duì)介紹

一作李瑞龍，UC伯克利一年級(jí)博士生，UC伯克利人工智能研究室成員，F(xiàn)acebook Reality Labs學(xué)生研究員。

研究方向是計(jì)算機(jī)視覺和計(jì)算機(jī)圖形學(xué)的交叉領(lǐng)域，主要為通過2D圖像信息生成和重建3D世界。

讀博之前還在南加州大學(xué)視覺與圖形實(shí)驗(yàn)室做了兩年的研究助理。

本科畢業(yè)于清華大學(xué)物理學(xué)和數(shù)學(xué)專業(yè)、碩士畢業(yè)于計(jì)算機(jī)專業(yè)，曾在Google Research和字節(jié)AI Lab實(shí)習(xí)。

共同一作Yang Shan，就職于Google Research。

研究方向包括：應(yīng)用機(jī)器學(xué)習(xí)、多模態(tài)感知、3D計(jì)算機(jī)視覺與物理仿真。

博士畢業(yè)于北卡羅來納大學(xué)教堂山分校(UNC，美國8所公立常春藤大學(xué)之一)。

David A. Ross，在Google Research領(lǐng)導(dǎo)Visual Dynamics研究小組。

加拿大多倫多大學(xué)機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺專業(yè)博士畢業(yè)。

Angjoo Kanazawa，馬里蘭大學(xué)博士畢業(yè)，現(xiàn)在是UCB電氣工程與計(jì)算機(jī)科學(xué)系的助理教授，在BAIR領(lǐng)導(dǎo)旗下的KAIR實(shí)驗(yàn)室，同時(shí)也是Google Research的研究員。

最最后，再來欣賞一遍AI編舞師的魅力吧：

論文：
https://arxiv.org/abs/2101.08779
GitHub：
https : //github.com/google-research/mint
數(shù)據(jù)集：
https://google.github.io/aistplusplus_dataset/
項(xiàng)目主頁：
https://google.github.io/aichoreographer/