丰色 发自 凹非寺
量子位 报道 | 公众号 QbitAI
Transformer又又接新活了——
这次谷歌用它搞了一个会根据音乐跳舞的AI。
话不多说，先让它给大家来几段freestyle（原视频见文末地址）：
嗯，动作还挺美观，各种风格也驾驭住了。
看着我都想跟着来一段。
你pick哪个？
而这个AI也凭借着对音乐和舞蹈之间的关联的深刻理解，打败了3个同类模型取得SOTA，登上了ICCV 2021。
另外，除了代码开源，研究团队还随之一起公开了一个含有10种类型的3D舞蹈动作数据集。
心动的，搞起来搞起来！
这个freestyle怎么来？
前面咱们不是说，这个AI用了Transformer吗？
但这里的Transformer不是普通的Transformer，它是一个基于完全注意力机制（Full-Attention）的跨模态Transformer，简称FACT。
为什么要搞这么复杂？
因为研究人员发现，光用单纯的Transformer并不能让AI理解音乐和舞蹈之间的相关性。
所以，这个FACT是怎么做的呢？
总的来说，FACT模型采用了独立的动作和音频transformer。
首先输入2秒钟的seed动作序列和一段音频，对其进行编码。
然后将embedding（从语义空间到向量空间的映射）连接起来，送入跨模态transformer学习两种形态的对应关系，并生成n个后续动作序列。
这些序列再被用来进行模型的自监督训练。
其中3个transformer一起学习，采用的是不用预处理和特征提取，直接把原始数据扔进去得到最终结果的端到端的学习方式。
另外就是在自回归框架中进行模型测试，将预期运动作为下一代阶段的输入。
最终，该模型可以逐帧地生成一段（long-range）舞蹈动作。
下图则展示了该模型通过同一段种子动作（嘻哈风格）、不同音乐生成了四种舞蹈作品（霹雳舞、爵士芭蕾、Krump和Middle Hip-hop）。
有没有懂行的点评一下？
而为了让AI生成的舞蹈生动且和音乐风格保持一致，这个模型设计里面有3个关键点：
1、模型内部token可以访问所有输入，因此三个transformer都使用一个完全注意力mask。这使得它比传统的因果模型更具表现力。
2、不只预测下一个，该模型还预测N个后续动作。这有助于模型关注上下文，避免在几个生成步骤后出现动作不衔接和跑偏的情况。
3、此外，在训练过程的前期还用了一个12层深的跨模态transformer模块来融合两个embedding（音频和动作）。研究人员表示，这是训练模型倾听分辨输入音乐的关键。
下面就用数据来看看真实性能。
打败3个SOTA模型
研究人员根据三个指标来评估：
1、动作质量：用FID来计算样本（也就是他们自己发布的那个数据集，后面介绍）和生成结果在特征空间之间的距离。一共用了40个模型生成的舞蹈序列，每个序列1200帧（20秒）。
FID的几何和动力学特性分别表示为FIDg和FIDk。
2、动作多样性：通过测量40套生成动作在特征空间中的平均欧氏距离（Euclidean distance）得出。
分别用几何特征空间Distg和动力学特征空间k来检验模型生成各种舞蹈动作的能力。
3、动作与音乐的相关性：没有好的已有指标，他们自己提出了一个“节拍对齐分数”来评估输入音乐（音乐节拍）和输出3D动作（运动节拍）之间的关联。
下面是FACT和三种SOTA模型（Li等人的、Dancenet、Dance Revolution）的对比结果：
可以看到，FACT在三项指标上全部KO了以上三位。
*由于Li等人的模型生成的动作不连续，所以它的平均动力学特征距离异常高，可以忽略。
看了数据，咱们再看个更直观的：
emmm，相比动作灵活的FACT，其他两位看起来都有点“不太聪明”的亚子……
舞蹈动作数据集AIST++
最后，再来简单介绍一下他们自己打造的这个3D舞蹈动作数据集AIST++。
看名字你也发现了，这是基于现有的舞蹈数据集AIST的“加强版”，主要是在原有基础上加上了3D信息。
最终的AIST++一共包含5.2小时、1408个序列的3D舞蹈动作，跨越十种舞蹈类型，包括老派和新派的的霹雳舞、Pop、 Lock、Waack，以及Middle Hip-Hop、LA-style Hip-Hop、House、Krump、街头爵士和爵士芭蕾，每种舞蹈类型又有85%的基本动作和15%的高级动作。
（怎么感觉全是街舞啊？）
每个动作都提供了9个相机视角，下面展示了其中三个。
它可以用来支持以下三种任务：多视角的人体关键点估计；人体动作预测/生成；人体动作和音乐之间的跨模态分析。
团队介绍
一作李瑞龙，UC伯克利一年级博士生，UC伯克利人工智能研究室成员，Facebook Reality Labs学生研究员。
研究方向是计算机视觉和计算机图形学的交叉领域，主要为通过2D图像信息生成和重建3D世界。
读博之前还在南加州大学视觉与图形实验室做了两年的研究助理。
本科毕业于清华大学物理学和数学专业、硕士毕业于计算机专业，曾在Google Research和字节AI Lab实习。
共同一作Yang Shan，就职于Google Research。
研究方向包括：应用机器学习、多模态感知、3D计算机视觉与物理仿真。
博士毕业于北卡罗来纳大学教堂山分校(UNC，美国8所公立常春藤大学之一)。
David A. Ross，在Google Research领导Visual Dynamics研究小组。
加拿大多伦多大学机器学习和计算机视觉专业博士毕业。
Angjoo Kanazawa，马里兰大学博士毕业，现在是UCB电气工程与计算机科学系的助理教授，在BAIR领导旗下的KAIR实验室，同时也是Google Research的研究员。
最最后，再来欣赏一遍AI编舞师的魅力吧：
论文：
https://arxiv.org/abs/2101.08779
GitHub：
https : //github.com/google-research/mint
数据集：
https://google.github.io/aistplusplus_dataset/
项目主页：
https://google.github.io/aichoreographer/
参考链接：
[1]https://www.marktechpost.com/2021/09/15/google-ai-introduces-full-attention-cross-modal-transformer-fact-model-and-a-new-3d-dance-dataset-aist/
[2]https://ai.googleblog.com/2021/09/music-conditioned-3d-dance-generation.html