嶽排槐 發自 凹非寺
量子位 出品 | 公眾號 QbitAI

《摩登原始人》你看過麼？

這是一道暴露年齡題。

安妮薇，《摩登原始人》是一部首播於1960年的喜劇動畫片。第一季在豆瓣上被2.2萬使用者打出8.7分的評價。

現在，這部想象力爆棚的動畫片，被用來訓練出了一個想象力驚人的AI。有多驚人？看過的人都說鵝妹子嚶~

只需要給一段指令碼，或者說文字描述，AI就能腦補生成一段動漫小片。注意！這些動漫小片，都是你沒有看過的全新版本。

生成的方法，就是AI根據描述，從原始動畫片中找到對應的元素，提取出來。然後再調整大小、比例、位置、角度、道具、前景、背景等，重新拼接在一起~

來，直接看展示。

交代一下，Fred、Wilma等都是這部動漫的主人公名字。

指令碼：

Fred戴著一頂紅帽子，正走在客廳裡。

這是AI生成的視訊：

指令碼：

Betty和Wilma在客廳裡聊天。她倆坐在沙發上，你一言我一語。

視訊：

指令碼：

Fred開車途中，一邊想一邊自言自語。

視訊：

指令碼：

Betty在廚房裡打電話。

視訊：

怎麼樣？是不是很厲害？

下面這段視訊，有更多的集中展示。

資料集和模型

AI是怎麼做到的呢？簡單來說，首先得構建一個《摩登原始人》的資料集，這個資料集包括25000個動畫片小段（75幀，約三秒）。

每一小段都經過了密集的標註。

標註資訊包括，場景、主要角色的名稱：Fred、Wilma等。對於不常出現的配角，會有人工新增簡單的註釋：警察、穿紅衣的老頭等。

然後，還要藉助SLIC演算法(Simple Linear Iterative Clustering) 、GrabCut自動影像分割演算法、PatchMatch演算法等對畫面進行分割和重建。

經過這一系列的處理，就構成了AI可以利用的原始素材。

當然重中之重，就是AI模型的構建。

這個模型被稱為Craft（Composition, Retrieval and Fusion Network）。從結構上來說，這個模型長這樣：

主要包括三個部分：Layout Composer（佈局編排器）、Entity Retriever（實體檢索器）、Background Retriever（背景檢索器）。

在“腦補”動漫小片時，Craft從空視訊開始，根據指令碼描述，依次新增場景中的實體。實體和背景檢索器，會從資料集中搜尋合適的素材，而佈局編排器會對位置和比例進行調整。

最終上述種種融合，生成一段全新的小片。

上面這張圖，就是佈局編排器的工作原理。

當然這中間還涉及很多數學公式啊，實驗啊什麼的。如果你對這些細節感興趣，可以直接前往論文檢視。

地址：https://arxiv.org/abs/1804.03608

這個研究，出自AI2、UIUC等機構的幾名學者之手。

還不完美

當然，當然，現階段，這個研究遠非無懈可擊。

比方，畫面的重建還相對粗糙，能明顯看出拼貼的痕跡。

還有，AI有時會在理解指令碼和重建視訊上產生問題。

例如，搞錯姿勢（站著->坐著）、打電話時聽筒位置不對、背景和人物動作不同步等等。還有下面這個案例。

指令碼：Wilma正跟Fred講話，而他坐在飯廳的餐桌前讀書。Fred專注讀書，沒聽Wilma在講什麼。

如果你仔細看，能發現兩個人物關係搞反了。

還有更糟的。

對於極端複雜的場景，例如包括三個或以上罕見的實體物件，Craft腦補出來的動漫小騙堪稱“災難”。

就像這樣。

不過，這個研究的意義在於，AI對於文字的理解，以及基於其上的視訊生成。一切還都有進步空間。

更遠一點，也許未來的動畫工作室，不會再有一堆堆天才的動畫師，取而代之的是能快速生成動畫片的AI。

— 完 —

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話介面，回覆“招聘”兩個字。

量子位 QbitAI · 頭條號簽約作者

վ'ᴗ' ի 追蹤AI技術和產品新動態