人体姿态迁移在计算机视觉和计算机图形学中是一个既受欢迎又充满了挑战性的课题,这一任务旨在保留外观细节的同时将人物图像从原始姿态合成为目标姿态。在计算机视觉和计算机图形学领域中,姿态迁移可以用于图像与视频的编辑、影音创作、动画生成、数据增广等。近几年以来,人体姿态迁移工作有了极大的发展,然而现有方法很难处理遮挡问题以及人体姿态差异过大的问题,人体姿态迁移工作仍然非常具有挑战性。现在可供研究使用的图像通常只包含人体的部分信息,现有方法往往不能高效利用这些输入信息。并且人体在不同视角和姿态下形状相差较大,而其余身体部位的形态信息又需要由推测生成。人物头发的形状、衣服的样式及形状这些重要的细节在迁移时更易出现失真的情况。因此,实现高保真的人体姿态迁移具有很大价值的研究空间,本文提出了一种具有两个阶段变形水平的自适应网络,有效地实现了人体姿态迁移的目标。论文的工作成果和创新点如下:1.本文提出了一个具有两个阶段变形层的人体姿态迁移网络。对于当前基于卷积的网络而言,由于人体自身具有的非刚性性质,变换那些空间未对准的身体部位是非常困难的,本文首先通过第一阶段网络生成与目标姿态对齐的人体语义解析,然后在第二阶段通过精细变形生成目标姿态中的最终人体纹理图像。本文的网络提供了由粗到精的变形框架,降低了直接从源图像到目标图像实现变形的难度。2.为了避免传统卷积将所有像素视为有效信息的缺点,本文在自己的网络框架中引入了门控卷积。基于门控卷积的特性,通过学习动态特征选择机制并自适应地逐阶段变形图像,可以很好地应对未对齐的图像生成任务。3.与最近几年的一些先进工作相比较,本文的模型用到的参数量很少,得到的迁移效果更好。4.本文的模型有着广阔的应用范围,不仅可以用于人体姿态迁移工作,而且还能应用于图形图像类编辑任务,例如服装纹理迁移工作等。最终的实验结果表明,与四种最先进的方法相比,本文的方法具有更高的鲁棒性与准确性,能得到更好的姿态迁移效果,本文的模型在人物头发、面部、服装更一致且参数更少的情况下可以展现出更好的性能。