首先展示一张侧脸图像（关键帧1）：
接着提供一张正面图像（关键帧2）：
然后，AI仅通过这两张图片进行处理，就能够生成完整的运动过程：
而且，这个生成的过程并不简单，甚至连运动中的眨眼动作也得到了很好的表现。
这一效果一经推出，便在ReddIT上引发了热烈讨论：
仅凭两张关键帧，如何实现完整的运动？
无需冗长的训练过程。
无需大量训练数据集。
这是论文作者本次研究的两大亮点。
具体来说，该研究围绕关键帧进行视频风格化处理。
首先输入一个视频序列I，包含N个帧，每帧都有一个掩膜Mi来定义感兴趣区域。
与以往方法不同的是，这种风格迁移以随机顺序进行，无需等待前面的帧完成风格化，也不需要显性合并不同关键帧的风格化内容。
换句话说，这种方法实际上是一种翻译过滤器，能够快速从几个不同的手绘示例Sk中学习风格，并将其“翻译”到视频序列I的任意一帧中。
该图像转换框架基于U-net实现。研究人员采用基于图像块的训练方式，并解决了少样本训练和时间一致性的问题，从而避免过拟合。
在训练过程中，随机从原始关键帧（Ik）中抽取一组图像块（a），并在网络中生成其风格化对应块（b）。
接着，计算这些风格化对应块（b）与从风格化关键帧（Sk）中取样的对应图像块之间的损失，并进行反向传播。
这种训练方案并不局限于特定的损失函数。本研究中，采用了L1损失、对抗性损失和VGG损失的组合。
另一个需要解决的问题是超参数的优化。
因为不当的超参数设置可能会导致推理质量下降。
研究人员使用网格搜索法，对超参数的四维空间进行采样：WP—训练图像块的大小；Nb—每个BATch中块的数量；α—学习率；NR—ResNet块的数量。
对于每一组超参数设置：
（1）执行设定时间的训练；
（2）对不可见帧进行推理；
（3）计算推理出的帧（O4）与真实值（GT4）之间的损失。
目标是将这一损失最小化。
团队介绍：
本研究由Ondřej TexleR领导，他是布拉格捷克理工大学计算机图形与交互系的博士生。
除了此次工作，之前他和团队还完成了许多有趣的项目。
例如，在绘制手绘画的同时，使其动起来。
再比如，给一张卡通图片，就可以让视频中的你“声情并茂”。
