vid2vid

teaser.gif

Pytorch实现了我们的高分辨率（例如2048x1024）逼真的视频到视频转换方法。

[项目] [YouTube]

论文将于8月20日在Arxiv上发布。

Pytorch实现了我们的高分辨率（例如，2048x1024）逼真的视频到视频转换方法。它可用于将语义标签贴图转换为照片般逼真的视频，合成人们从边缘地图谈话，或从姿势生成人体。

视频到视频合成 Video-to-Video Synthesis

Ting-Chun Wang¹, Ming-Yu Liu¹, Jun-Yan Zhu², Guilin Liu¹, Andrew Tao¹, Jan Kautz¹, Bryan Catanzaro^1
1NVIDIA Corporation, ²MIT CSAIL In arXiv, 2018.

视频到视频翻译

• 标签到街景结果

city_change_styles.gif

city_change_labels.gif

• 边框到面部结果

face.gif

face_multiple.gif

• 姿势到身体的结果

pose.gif

先决条件

• Linux或macOS
• Python 3
• NVIDIA GPU + CUDA cuDNN

入门

安装

• 从https://pytorch.org安装PyTorch和依赖项
• 安装python dominate和requests库。

pip install dominate requests

• 克隆这个仓库：

git clone https://github.com/NVIDIA/vid2vid
cd vid2vid

测试

• 我们在datasets文件夹中包含一个示例Cityscapes视频。

• 首先，通过运行从https://github.com/NVIDIA/flownet2-pytorch下载并编译FlowNet2 repo的快照python scripts/download_flownet2.py。

• 请通过以下方式下载预先培训的Cityscapes模型：

python scripts/download_models.py

• 要测试模型（bash ./scripts/test_2048.sh）：

#!./scripts/test_2048.sh
python test.py --name label2city_2048 --loadSize 2048 --n_scales_spatial 3 --use_instance --fg --use_single_G

测试结果将保存到./results/label2city_2048/test_latest/index.html中。

• 我们还提供了使用1 GPU训练的较小型号，在1024 x 512分辨率下产生稍差的性能。

  • 请下载模型

  python scripts/download_models_g1.py    
  

  • 要测试模型（bash ./scripts/test_1024_g1.sh）：

  #!./scripts/test_1024_g1.sh
  python test.py --name label2city_1024_g1 --loadSize 1024 --n_scales_spatial 3 --use_instance --fg --n_downsample_G 2 --use_single_G
  

• 您可以在scripts目录中找到更多示例脚本。

数据集

• 我们使用Cityscapes数据集作为示例。要在完整数据集上训练模型，请从官方网站下载（需要注册）。
• 我们应用预先训练的分割算法来获得相应的语义地图（train_A）和实例地图（train_inst）。
• 请将获得的图像放在datasets文件夹下，方法与提供示例图像的方式相同。

训练

• 首先，通过运行下载FlowNet2检查点文件python scripts/download_models_flownet2.py。

• 使用8个GPU进行培训：

  • 我们采用从粗到精的方法，将分辨率从512 x 256,1024 x 512到2048 x 1024逐步增加。
  • 以512 x 256分辨率训练模型（bash ./scripts/train_512.sh）

   #!./scripts/train_512.sh
  python train.py --name label2city_512 --gpu_ids 0,1,2,3,4,5,6,7 --n_gpus_gen 6 --n_frames_total 6 --use_instance --fg
  

  • 以1024 x 512分辨率训练模型（必须首先训练512 x 256）（bash ./scripts/train_1024.sh）：

   #!./scripts/train_1024.sh
  python train.py --name label2city_1024 --loadSize 1024 --n_scales_spatial 2 --num_D 3 --gpu_ids 0,1,2,3,4,5,6,7 --n_gpus_gen 4 --use_instance --fg --niter_step 2 --niter_fix_global 10 --load_pretrain checkpoints/label2city_512
  

• 要查看培训结果，请查看中间结果./checkpoints/label2city_1024/web/index.html。如果安装了TensorFlow，则可以./checkpoints/label2city_1024/logs通过添加--tf_log到培训脚本来查看TensorBoard登录。

• 使用单个GPU进行培训：

  • 我们使用多个GPU训练我们的模型。为方便起见，我们为单GPU用户提供了一些样本培训脚本（XXX_g1.sh），分辨率高达1024 x 512。再次采用从粗到细的方法（256 x 128,512 x 256,1024 x 512）。使用这些脚本无法保证性能。
  • 例如，使用单个GPU训练256 x 128视频（bash ./scripts/train_256_g1.sh）

  #!./scripts/train_256_g1.sh
  python train.py --name label2city_256_g1 --loadSize 256 --use_instance --fg --n_downsample_G 2 --num_D 1 --max_frames_per_gpu 6 --n_frames_total 6
  

全速（2k x 1k）分辨率训练

• 要以全分辨率（2048 x 1024）训练图像，需要8个GPU，至少24G内存（bash ./scripts/train_2048.sh）。如果只有具有12G / 16G内存的GPU可用，请使用脚本./scripts/train_2048_crop.sh，该脚本将在训练期间裁剪图像。此脚本无法保证性能。

使用您自己的数据集进行培训

• 如果您的输入是标签贴图，请生成标签贴图，这些贴图是单通道，其像素值对应于对象标签（即0,1，...，N-1，其中N是标签的数量）。这是因为我们需要从标签贴图生成单热矢量。请--label_nc N在培训和测试期间使用。
• 如果你的输入不是一个标签映射，请注明--label_nc 0和--input_nc N其中N是（默认值是3 RGB图像）输入通道的数量。
• 预处理的默认设置是scaleWidth，opt.loadSize在保持纵横比的同时，将所有训练图像的宽度缩放到（1024）。如果您需要其他设置，请使用该--resize_or_crop选项进行更改。例如，scaleWidth_and_crop首先调整图像的大小以使其具有宽度opt.loadSize，然后对大小进行随机裁剪(opt.fineSize, opt.fineSize)。crop跳过调整大小步骤，仅执行随机裁剪。scaledCrop在重新训练原始宽高比时裁剪图像。如果您不想进行任何预处理，请指定none，除了确保图像可以被32整除之外什么都不做。

更多培训/测试详情

• 我们训练模型的方式如下：假设我们有8个GPU，4个用于生成器，4个用于鉴别器，我们想要训练28个帧。此外，假设每个GPU只能生成一个帧。第一个GPU生成第一个帧，并将其传递给下一个GPU，依此类推。在生成4帧之后，将它们传递给4个鉴别器GPU以计算损耗。然后，最后生成的帧变为输入到下一批，并且训练序列中的接下来的4帧被加载到GPU中。这重复7次（4 x 7 = 28），以训练所有28帧。
• 一些重要的标志：
  • n_gpus_gen：用于生成器的GPU数量（而其他GPU用于鉴别器）。我们将发生器和鉴别器分成不同的GPU，因为在处理高分辨率时，即使一帧也不适合GPU。如果数字设置为-1，则没有分离，并且所有GPU都用于生成器和鉴别器（仅适用于低分辨率图像）。
  • n_frames_G：馈入发电机网络的输入帧数; 即，n_frames_G - 1是我们看过去的帧数。默认值为3（以前两帧为条件）。
  • n_frames_D：要馈入时间鉴别器的帧数。默认值为3。
  • n_scales_spatial：空间域中的比例数。我们从最粗规模一直到最精细的规模进行训练。默认值为3。
  • n_scales_temporal：时间鉴别器的标度数。最精细的比例采用原始帧速率的顺序。较粗略的比例在将帧n_frames_D馈送到鉴别器之前将帧子抽样一个因子。例如，如果n_frames_D = 3和n_scales_temporal = 3，则鉴别器有效地看到27帧。默认值为3。
  • max_frames_per_gpu：训练期间一个GPU中的帧数。如果您的GPU内存可以容纳更多帧，请尝试将此数字设置得更大。默认值为1。
  • max_frames_backpropagate：丢失反向传播到先前帧的帧数。例如，如果此数字为4，则帧n上的丢失将反向传播到帧n-3。增加这个数字会略微改善性能，但也会导致训练不稳定。默认值为1。
  • n_frames_total：我们想要训练的序列中的总帧数。我们在训练期间逐渐增加这个数字。
  • niter_step：我们加倍了多少个时代n_frames_total。默认值为5。
  • niter_fix_global：如果这个数字不是0，那么在开始微调所有尺度之前，只训练这个时期的最佳空间尺度。
  • batchSize：一次训练的序列数。我们通常将batchSize设置为1，因为通常，一个序列足以占用所有GPU。如果要执行batchSize> 1，则目前仅batchSize == n_gpus_gen支持。
  • no_first_img：如果未指定，模型将假定给出第一帧并合成连续帧。如果指定，模型也将尝试合成第一帧。
  • fg：如果已指定，请使用前景 - 背景分离模型。
• 对于其他flag，请参阅options/train_options.py并options/base_options.py查看所有训练flag; 看到options/test_options.py和options/base_options.py所有测试标志。

引文

如果您发现这对您的研究有用，请使用以下内容。

@article{wang2018vid2vid,
  title={Video-to-Video Synthesis},
  author={Ting-Chun Wang and Ming-Yu Liu and Jun-Yan Zhu and Guilin Liu and Andrew Tao and Jan Kautz and Bryan Catanzaro},  
  journal={arXiv},
  year={2018}
}

致谢

这段代码大量借用了pytorch-CycleGAN-and-pix2pix和pix2pixHD。

原文：https://github.com/NVIDIA/vid2vid