我，谷歌AI编舞师，能听音乐来10种freestyle，想看爵士or芭蕾？丰色发自凹非寺量子位报道|公

丰色发自凹非寺量子位报道|公众号QbitAI
又又接新活了——
这次谷歌用它搞了一个。
话不多说，先让它给大家来几段freestyle（原视频见文末地址）：

文章图片

文章图片

文章图片

文章图片

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也凭借着对的深刻理解，打败了3个同类模型取得SOTA ，登上了ICCV2021 。

文章图片
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。

文章图片
心动的，搞起来搞起来！
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（Full-Attention）的，简称。
为什么要搞这么复杂？
因为研究人员发现，光用单纯的Transformer并。

文章图片
所以，这个FACT是怎么做的呢？
总的来说， FACT模型采用了。
首先输入2秒钟的seed动作序列和一段音频，对其进行编码。

文章图片
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MiddleHip-hop）。
有没有懂行的点评一下？

文章图片
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：
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、不止预测下一个，该模型。这有助于模型关注上下文，避免在几个生成步骤后出现的情况。
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。
下面就来看看真实性能。
研究人员根据三个指标来评估：
1、：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、：通过测量40套生成动作在特征空间中的平均欧氏距离（Euclideandistance）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。