浅谈虚拟偶像背后的舞蹈生成

本文首发于：行者AI

随着二次元文化的发展，虚拟偶像越发火热。

虚拟偶像技术主要包含歌唱合成和舞蹈生成，即能唱和能跳。

本文针对舞蹈生成，选择发表在ICLR2021的《Dance Revolution: Long Sequence Dance Generation with Music via Curriculum Learning》予以介绍，该论文由复旦大学、微软、美团和Rinna AI合作完成。

1. 舞蹈生成

舞蹈生成（Dance Generation），输入一段音乐序列（往往是音频特征），得到一段同样时长有意义的动作序列，即给音乐配舞蹈。下面将简单介绍音频特征和动作序列。

1.1 音频特征

音频的数据文件，由巨量的采样点组成。1秒钟音频可以达到上万个采样点，给模型训练带来巨大的困难。在实际使用中，音频一般不作为直接的输入输出，而是取音频的特征作为输入输出。

音频的常见特征有：

​ MFCC

​ MFCC delta

​ constant-Q chromagram

​ tempogram

在实际使用中，不需要详细了解上述音频特征，只需知道上述音频特征将音频的时间序列长度缩小了近百倍。

1.2 动作序列

图1. 动作序列提取图

动作序列是指姿态估计（pose estimation）生成的关于动作的时序数据，每个时间步的数据由关键点组成，用来表征人的肢体动作。如图1，纯色的点组成了当前动作的关键点，其连线能很好表征当前人物的肢体运动。（详情参见https://github.com/CMU-Percep...

动作序列可以只提取人物肢体运动，排除人物、背景等干扰音素，提取舞蹈动作，因而用动作序列表示舞蹈。

舞蹈是一种节奏很强的动作，除了上述常见特征，作者将鼓点的独热编码也视作音频特征，用于模型训练。

1.3 舞蹈生成问题定义

在了解了音频特征和动作序列后，这里给出舞蹈生成问题的定义。

对于给定的音乐-舞蹈数据集D，D由成对的音乐和舞蹈动作序列片段组成，音乐和舞蹈动作一一对应，X为音乐片段，Y为舞蹈动作片段。用D训练一个模型g(·)，使得g(X)=Y。

这种输入序列输出序列的问题，被定义为序列到序列（Sequence-to-Sequence，简写为seq2seq）。相较于机器翻译序列到序列问题，音乐可以配很多舞蹈，没有唯一性，音乐更像是一种风格（style）。作者从seq2seq问题出发，所做的优化思路也是来自于seq2seq问题。

1.4 背景和动机

通过研究当前舞蹈生成的方法，作者发现现有的舞蹈生成有两种主要方式：

​ 第一种是拼接方法（将不同舞蹈动作拼接起来）

​ 第二种是自回归模型（如lstm等模型）

第一种方法缺少自然度，而第二种会受限于自回归模型的错误累积，只能生成较短的动作序列，因而作者提出两种方法来解决：

​ 课程学习

​ 局部注意力

这两种方法将在模型结构中进行介绍。

2. 模型结构

图2. 舞蹈生成模型结构图

如图2，该模型输入音频特征经过encoder和decoder得到动作序列。

下面将分别介绍encoder以及decoder。

2.1 encoder

encoder同一般的seq2seq问题，采用了类似transformer的架构，由N个transformer block组成，每个transformer block由multi-head self-attention和feed forward neural network串联组成。

局部注意力

音频是一个时间信号序列，相较于文本序列，音频的时间步更长，一句话最多上百字，但一个音频可以有百万个采样点，即使做了特征提取，音频的长度也在上千个左右。而transformer的multi-head self-attention模块计算复杂度为序列长度的平方，序列长度越长，计算所需资源越多。另一方面，音频满足短时不变性，对有意义的音频进行任意截取，截取的片段仍然有意义。因而，作者提出将全连接的self-attention变成局部的（local），如图2左上角，对每一个时间步的attention设置窗口大小，让模型只需计算前后k/2的数据。

图3. 局部注意力公式

图3即为local multi-head self-attention的实现，相较于multi-head self-attention，local的实现只是在求和时加入范围限制，实际实现时只需要乘一个mask矩阵即可。

2.2 decoder

图4. decoder公式

图4为decoder的实现。decoder的backbone是普通的RNN网络，将上一个时间步的信息hi-1以及上一个RNN cell的隐状态yi-1作为输入，得到当前的RNN cell的隐状态hi，与encoder输出的当前时间步的隐状态zi拼接经过线性层得到最终输出yi。不同于机器翻译等自然语言问题，做推理时舞蹈生成不需要对当前时间步进行采样。

课程学习

课程式学习（curriculum learning）认为模型应当像人一样，学习应当从易到难。对于分类问题，课程学习应当先学习简单的样本，然后学习困难的样本；对于seq2seq问题，课程学习应当先学习短的序列，每次只去预测当前步的下一步（teach forceing），在模型训练到一定程度后，逐步开始增加后续预测的序列长度，比如增加到预测当前步的后两个时间步。paper作者对课程学习在舞蹈生成问题上做了改进，这里不作展开。

3. 评估标准

这篇paper提出的模型相较简单，亮点在于评估的标注标准。

舞蹈生成类似语音合成，常用的评估方法分为两类：客观评估和主观评估。

客观评估从测试数据角度，评估生成的舞蹈的真实性、风格一致性以及与配乐的匹配。

3.1 Fréchet Inception Distance

图5. FID计算公式

图5是Fréchet Inception Distance的计算公式。Fréchet Inception Distance简称FID，用于计算两个分布的相似度。原理是，假设两个高斯分布的矩阵，其均值和协方差越相近，则这两个矩阵越相似。如上图公式，μ是均值，∑是协方差，Tr 表示矩阵对角线上元素的总和。

在舞蹈生成中，FID用于和真实舞蹈整体的相似程度，即舞蹈的真实性。

3.2 ACC

用来评估舞蹈生成与音乐风格的一致程度。训练一个MLP（多层感知机）来对真实舞蹈进行分类（例如芭蕾、嘻哈、流行，类别来自于音乐分类），用MLP对生成的舞蹈进行分类，并评估是否与音乐的类别一致。

3.3 Beat Coverage

节拍覆盖度（Beat Coverage）为舞蹈动作节拍总数与音乐节拍总数的比率。节拍覆盖率越高，舞蹈的节奏型越强。

3.4 Beat Hit Rate

节拍命中率（Beat Hit Rate）为所有运动节拍中，命中音乐节拍数量占动作节拍总数的比率。命中率越高，舞蹈动作越契合音乐。

3.5 Diversity

多样性（Diversity ），在测试集上根据音乐生成一些舞蹈，评估这些舞蹈整体的多样性。

3.6 Multimodality

多态性（Multimodality），根据单个音乐生成多个舞蹈，评估这些舞蹈整体的多样性。

上述很多评估标准来自《Dancing to Music Neural Information Processing Systems》，如果想全面了解舞蹈生成领域，笔者建议阅读这篇paper。

3.7 主观评估标准

3.1至3.6介绍的标准均为客观评估标准。舞蹈好坏的很多方面是难以量化的，需要人工评估，即主观评估。主观评估：找多位专业舞者，播放提出模型生成的舞蹈、对比模型生成的舞蹈以及真实的舞蹈，并问如下三个问题，舞者进行打分。

1. 真实性：抛开音乐而言，哪个舞蹈更真实？
2. 丝滑性：抛开音乐而言，哪个舞蹈更丝滑？
3. 匹配性：就风格而言，哪个舞蹈更与音乐相匹配？

组织者对每个音频三项指标的打分进行平均，得到最终评估结果。

4. 总结

这篇论文提出了一个SOTA的舞蹈生成模型，生成的舞蹈相较于前人研究，接近真人舞蹈。论文作者给出了示例视频：https://www.youtube.com/watch...

从这个视频我们也能看到目前舞蹈生成的不足：

1. 生成的舞蹈可能违反人类生理结构：从视频中可以看到很多扭曲的手臂，是正常人无法做到的动作。
2. 舞蹈生成帧率太低：本篇论文模型帧率为15 FPS ，远低于视频正常的帧率。
3. 舞蹈生成没有实时性：由于模型生成速度慢，达不到实时生成的速度要求；模型多采用seq2seq架构，先对音乐整体编码，再逐步解码，没有考虑到实时性的需求。
4. 生成质量有待提升：即使是业余的人，在看这篇论文的示例视频时，仍能看到很多不和谐的肢体动作。

舞蹈生成从去年开始进入热潮，生成的舞蹈质量一直在提高，近期谷歌发布了《Learn to Dance with AIST++》，慧夜科技发布了《DanceNet3D:DanceNet3D: Music Based Dance Generation with Parametric Motion Transformer》，舞蹈生成作为实现虚拟偶像的重要技术，备受重视。

通过关注当前舞蹈生成的研究，笔者也发现了舞蹈生成的热点：

1. 更优质的数据集
2. 3D舞蹈生成
3. transformer base模型结构
4. 更高帧率

舞蹈生成是行者AI虚拟偶像研究的一部分。笔者和其他研究者们在不断探索新的方法和评估标准，欢迎广大同行交流与合作，以及加入。