.png){kind=icon}
返回
Gradient-Guided Motion Transfer with Motion Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4384-7_30.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于驱动视频的图像动画使源图像中的静态物体变得生动。近期研究通常采用无监督方法将运动转移到任意物体上。然而，这些方法由于缺乏关于物体结构的先验知识，导致在运动转移过程中难以保持结构完整性，最终影响结果质量。为解决此问题，我们引入了一个额外的梯度分支，生成扭曲的梯度图，为运动转移过程提供有价值的结构先验。此外，我们加入梯度损失以鼓励生成器更关注保持几何结构。此外，现有基于先验的运动模型方法通常预测低分辨率、单尺度的运动流，难以学习精确运动并适应多尺度特征融合。为此，我们提出了运动流优化模块以生成更高精度的多尺度运动流。实验结果表明，我们的方法具有高可扩展性，可应用于各种无监督运动模型。在大多数基准测试中，该方法优于当前最优方法，显著提升了与运动相关的指标。
Keyword:
Image animation
Unsupervised learning
Gradient guided
期刊
N
IF:
0
论文数:
26
被引数:
0
机构
引用论文
.png){kind=icon}
查看更多内容