Facebook 和 Inria France 的研究人員分別在 CVPR 2018 和 ECCV 2018 相繼發表了兩篇有關「人體姿態估計」(human pose estimation) 的文章 [1] [2]，用於介紹他們提出的 Dense Pose 系統以及一個應用場景「密集姿態轉移」（dense pose transfer）。
本文將簡要介紹（1）利用 Dense Pose 實現單張 2D 人體影象到 3D 表面模型的原理 ；（2）如何將 Dense Pose 系統應用在「姿態轉移」（pose transfer）這一問題上；（3）粗略展望 Dense Pose 的一些潛在應用。
Dense Pose 的更多資訊以及視訊 demos：
1. 什麼是密集姿態估計（dense pose estimation）?
密集姿態估計 (dense pose estimation) 將單張 2D 圖片中所有描述人體的畫素（human pixels），對映到一個 3D 的人體表面模型。如圖 1 所示，Facebook 釋出了一個名為 DensePose COCO 的大型資料集，包含了預先手工標註的 5 萬張各種人類動作的圖片。
圖 1：密集姿態估計的目標是將 2D 圖片中描述人體的畫素，對映到一個 3D 表面模型。左：輸入的原始影象，以及利用 [1] 中提出的 Dense Pose-RCNN，獲得人體各區域的 UV 座標。UV 座標又稱紋理座標 (texture coordinates), 用於控制 3D 表面的紋理對映； 中：DensePose COCO 資料集中的原始標註；右：人體表面的分割以及 UV 引數化示意圖。
2. 如何進行密集姿態估計？
密集姿態估計的核心任務是，訓練一個深度網路，用於預測 2D 圖片畫素 (image pixels）與 3D 表面模型點 (surface points) 之間的密集聯絡 (dense correspondences)。這個任務最近已經通過基於全連線卷積網路 [4] 的 Dense Regression (DenseReg) 系統 [3] 得到了解決。而 Dense Pose-RCNN 系統 [1]，正是結合了 DenseReg 系統以及 Mask-RCNN 架構 [5]。
圖 2 展示了 Dense Pose-RCNN 的級連 (cascade) 架構：這是一個全卷積網路 (fully-convolutional network)，並連線著 ROIAlign 池化層 (ROIAlign pooling)，用於處理兩個核心任務，分別是：（1）分類。判斷圖片的某一畫素來自於「背景」，還是「人體部位」；（2）迴歸。預測該畫素在「人體部位」的具體座標。
圖 2：Dense Pose-RCNN 的架構。
圖 2 中的 ResNet50 FPN (feature pyramid networks) 將輸出 feature map，然後通過 ROIAlign 模組對每一個 ROI 生成固定尺寸的 feature map。圖 3 展示了 ROIAlign 模組的「跨級連」(cross-cascading) 結構，這種結構利用兩個輔助任務 (keypoint estimation & mask) 提供的資訊，幫助提高 Dense Pose 系統的姿態估計效果。作為 Dense Pose-RCNN 基礎之一的 Mask-RCNN [5] 結構，正是藉助兩個相關任務（即 keypoint estimation 和 instance segmentation）提供的資訊，用於提高分割效果。
圖 3：Dense Pose-RCNN[1] 中的 ROIAlign 模組採用了「跨級連」(cross-cascading) 架構。
3. 主幹 (backbone) 網路對於 Dense Pose 系統的影響？
研究人員在 [1] 中對於兩種主幹網路，ResNet-50 和 ResNet-101，對於 Dense Pose 任務的表現進行了比較。如表 1 所示，在 AP 和 AR 這兩個評估指標上，ResNet-101 的表現稍優於 ResNet-50，但由於大型網路較為「笨重」，並不適用於移動應用。因此，[1] 中的其餘實驗均使用了 ResNet-50 作為主幹網路。
表 1: 當 Dense Pose-RCNN 使用兩個不同的主幹網路時，在 COCO Minval 資料集上取得的實驗結果。[1]
4. 從 Dense Pose 到 Dense Pose Transfer
除了介紹 Dense Pose 系統的架構和工作流程，研究人員還在 [1] 中展示了一個 Dense Pose 的應用，「紋理轉移」(texture transfer)。如圖 4 所示，紋理轉移這一任務的目標是，將影象中所有人的身體表面紋理，轉換為預先提供的目標紋理。
圖 4：Dense Pose 紋理轉換 (texture transfer) 的實驗結果。該任務的目標是，將輸入的視訊影象中所有人的身體表面紋理，轉換成目標紋理。圖中第 1 行為目標紋理 1 和紋理 2。第 2、3 行從左至右依次為，輸入影象，轉換為紋理 1 的影象，以及轉換為紋理 2 的影象。
在 ECCV 2018 上，論文 [1] 的三名作者發表了 Dense Pose 的一個後續應用，即「密集姿態轉移」(dense pose transfer，以下簡稱為 DPT) [2]。與紋理轉換不同的是，DPT 這一任務的目標是，根據輸入的 2D 人體影象和目標姿態 (target dense pose)，將輸入影象中的人體姿態轉換成目標姿態，並且不改變人體表面紋理。
如圖 5 所示，DPT 系統以 Dense Pose[1] 為基礎，並且由兩個互補的模組組成，分別是（1）推測模組 (predictive module)，用於根據輸入影象，預測出具有目標姿態的人體影象；（2）變形模組 (warping module)，負責從輸入影象中提取紋理，並「補全」(inpainting) 具有目標姿態的人體表面紋理。此外，系統中還有一個合成模組 (blending module)，通過端對端、可訓練的單一框架，將推測和變形模組的輸出進行合成，併產生最終的影象。
圖 5：密集姿態轉移（DPT) 系統的流程圖。該系統包括推測模組、變形模組，以及合成模組。
圖 6 展示了在 DeepFashion 資料集 [6] 上取得的 12 組姿態估計結果。每組姿態結果從左至右依次為：輸入影象、正確的目標影象、Deformable GANs (DSC) [7] 獲得的轉移結果，以及 DPT 系統 [2] 獲得的轉移結果。由於 DSC 是目前解決「多視角影象合成」(multi-view synthesis) 這一問題中效果最佳的方法，所以 [2] 的作者將這一方法與 DPT 系統進行比較。
從圖 6 可以粗略觀察到 DPT 系統在紋理轉移上還不是特別完善。例如，一些女士上衣的花紋沒有被保留，併成功轉移到輸出影象中；此外，人物的面部特徵也在轉移中出現一些偏差：身著黃色上衣的男士影象（見圖 6 右側第 3 行），經過姿態轉後，人物面部更為「女性化」。論文 [2] 的作者指出，要取得更好的姿態轉換結果，可能還需要預先獲得一些額外的資訊，比如面部特徵、性別以及膚色。
圖 6：密集姿態轉換（dense pose transfer）的實驗結果。左右兩組結果分別包含了輸入影象、正確的目標影象、Deformable GANs (DSC) [7] 得到的轉移結果，以及 DPT 系統 [2] 得到的轉移結果。
5. Dense Pose 的應用展望
Dense Pose 為人體姿態估計提供了一種新的解決方法，研究人員也在 demos 中展示了 Dense Pose 能夠實時完成紋理轉移等任務。儘管 Dense Pose 還有許多需要完善的地方，它的應用前景還是相當樂觀的。筆者認為 Dense Pose 未來可以在以下兩個方面進行應用：
一個應用方向是，利用單一圖片進行服裝的虛擬試穿。顧客可以上傳一張自己的全身正面照，並從系統中選擇一套需要試穿的服裝，以及一個目標姿態。Dense Pose 系統則可以根據顧客提供的這些資訊，產生出一張合成的圖片，顯示顧客「試穿」服裝後的姿態。
另一個應用方向則是，遠端視訊診斷背部痛疾。就診者按照醫生的要求，穿戴一套專用的感測器，並依次完成一系列動作（如上身向前傾若干度、蹲下、站直向左扭頭等等）。就診者的這一系列動作將由攝像頭拍攝，並生成視訊實時傳輸給醫生。一個設想是，醫生可以藉助 Dense Pose 系統，根據就診者的動作視訊影象，生成就診者的 3D 人體模型，並與背部無疾患的人體模型進行對比，從而初步判斷患者是否患有背部疾病。
參考文獻：
[1] Alp Güler, Rıza, Natalia Neverova, and Iasonas Kokkinos. "Densepose: Dense human pose estimation in the wild." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018.
[2] Neverova, Natalia, Riza Alp Guler, and Iasonas Kokkinos. "Dense pose transfer." Proceedings of the European Conference on Computer Vision (ECCV). 2018.
[3] Alp Guler, Riza, et al. "Densereg: Fully convolutional dense shape regression in-the-wild." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017.
[4] Chen, Liang-Chieh, et al. "Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs." IEEE transactions on pattern analysis and machine intelligence 40.4 (2017): 834-848.
[5] He, Kaiming, et al. "Mask r-cnn." Computer Vision (ICCV), 2017 IEEE International Conference on. IEEE, 2017.
[6] Liu, Ziwei, et al. "Deepfashion: Powering robust clothes recognition and retrieval with rich annotations." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
[7] Siarohin, Aliaksandr, et al. "Deformable gans for pose-based human image generation." CVPR 2018-Computer Vision and Pattern Recognition. 2018.
技術分析師個人簡介
Olli Huang 是澳門科技大學的一名博士研究生，她的研究方向是大規模影象檢索 (large-scale image retrieval) 和影象的地理位置估計 (visual-based image geolocalization)。Olli 於 2017 年加入了機器之心的全球團隊，並以自由撰稿人的身份，發表了多篇計算機視覺應用的英文技術評論。
Olli 的機器之心主頁：https://www.jiqizhixin.com/users/84204384-374e-4de0-bfc5-79eee677a8ec。
Olli 的 LinkedIn 主頁：https://www.linkedin.com/in/ollihuang。