当cosplay成为职业：动漫、华服与年入百万？
2020年11月，上海。床头的手机响过多次后，躺下不到4个小时的辛楠挣扎着醒了过来，助理在手机那头催促她赶紧下楼赶往活动现场。
这是2020和平精英国际冠军杯总决赛。作为唯一个在当天cos有两个重要游戏角色的辛楠，需要从早上5点就配合工作人员化装、拍照以及和粉丝们互动。
自2014年进入cosplay圈后，辛楠已记不清自己cos过多少个角色、参加过多少次漫展和游戏厂商活动。时常早上醒来需要发几秒钟愣后，才会想起自己今天在哪个城市，需要cos什么角色。
coser——“角色扮演者”，这个小众人群通过服装、饰品、道具和妆容来扮演动漫、游戏中的角色。随着近年来国内ACG产业的潮流激荡，二次元产业迎来爆发式增长。从中衍生的cosplay行业也得以壮大，越来越多的漫展、游戏现场活跃着coser的身影，以角色扮演的方式连接着动漫、游戏和玩家，更通过商业化的办法，反哺着产业的持续爆发。
当cosplay成为职业，就是她们梦想照进现实的样子。
coser不易：一年差不多300天在舞台上
场馆里放着劲爆的背景音乐，多位身着和平精英角色服饰的coser逐一出现在舞台上，引发现场粉丝阵阵尖叫。辛楠正是其中一位，她脸戴墨镜，身穿皮衣，手持枪械，全力扮演着“吉利姐”，并随着音乐不断更换着动作。
开场秀一结束，辛楠立刻冲向后台化装间，工作人员迅速为她卸妆，再重新化上接下来需要cos的“甜心巧克力”造型。
“cosplay并不是简单地摆几个动作就好，要真正演绎出角色的精髓。”这是辛楠对这一职业最深刻的理解。为了诠释不同的角色，她总会在空闲之余查看关于游戏人物的背景资料、性格特点，甚至还会很长时间使用这个角色打游戏，以观察角色动作神态，让自己彻底代入其中。
“在cos‘吉利姐’时，你必须得酷。”辛楠说，“即使围观合影的粉丝称赞真人太像时，也只能将激动之情压在心里，不能流露出来。而cos小萝莉时，你则需要表现出甜美俏皮的一面。让大家觉得是在和角色互动，而不是和你互动。”
活动结束时，已近凌晨1点。回到酒店后辛楠将闹钟定在了早上6点：她得坐早班机赶回北京，以免耽误第二天的工作行程。
入行6年时间，辛楠已成为圈内公认的“劳模”。她频繁地出没于国内各大漫展、游戏厂商发布会等现场，动辄12个小时的工作节奏对她而言已是常态，“2019年工作了差不多300多天，快成空中飞人了。”付出也得到回报，2019年里，行程满满的辛楠收入约90万元。今年因为疫情关系让她半年都在休息，收入也少了不少。
忙碌且幸福，是辛楠和众多职业coser最大的感受。“除了日常参与活动外，还需要不定期地拍摄cos照片、视频。但最能体现自身价值的还是舞台。”
一次王者荣耀和敦煌莫高窟的合作里，辛楠负责cos杨玉环飞天这一角色。活动现场中除了参与拍照、粉丝互动等环节外，还需要演绎飞天舞蹈。尽管十多年的舞蹈基础让她有底气挑战这个任务，但台下坐着多位研究敦煌文化的专家，以及网上数以万计的在线粉丝，仍然让她隐隐有丝压力。
敦煌已接近入冬，气温极冷，为了避免cos服装被外套压皱，在露天后台等待上场的辛楠身穿几层薄薄的纱衣，不断搓着早已冻麻木的手，顾不上因为舞蹈需求必须赤脚的脚趾头早已粘在一起，脑子里担心的是不要因为身体僵硬而无法完美地诠释舞蹈。
踏上舞台的那一刻，辛楠深深呼了口气，让发抖的身体恢复平静，将自己融入飞天舞中，随着旋律舞动起来。
表演下台后，她发现脚心痛得厉害，原来套在脚上的银环在舞蹈中脱落，脚掌也因为长时间踩在银环上导致淤血，“当时痛得不行，但听到台下专家肯定的掌声，觉得一切都值了。”
名气挂钩收入：一天能赚一两千，但机会不常有
结束完上海英雄联盟电竞嘉年华活动的软宝，将自己狠狠地砸在沙发里，连续8天时间的活动，让她感到有些疲累。
相对更多苦苦寻求机会的coser来说，软宝是幸运的。2017年，英雄联盟s7赛季官方招聘coser给选手助威，入行3年的软宝将此前所拍摄的安妮cos作品寄了过去。原本没抱太大希望的她却意外接到工作人员的来电，邀请她去现场参与活动。
活动中，软宝不仅认识了更多的圈内玩家，其演出和职业态度也让项目组主动提出希望今后继续合作。此后，软宝一发不可收拾，先后cos了安妮、阿狸、艾瑞莉娅等众多游戏角色，参加了英雄联盟s7总决赛、2018年英雄联盟音乐节、德玛西亚杯以及2020年英雄联盟电竞嘉年华等诸多活动。原本只是懵懂闯入cosplay圈，计划玩段时间就回归正常生活的她，发现cosplay越来越融入自己的世界里。
家人的理解和支持是软宝最大的依靠。最初在得知软宝沉迷cos时家里人很是愤怒，认为她玩物丧志。但母亲耐不住女儿的软磨硬泡，逐渐接受了她的爱好，甚至在一次软宝参加活动，需要将一套贴金pu皮制作的cos服从家里寄到现场时，母亲发现因为多次穿戴，pu皮多处开裂，时间来不及交给当地裁缝缝制时，母亲花费了5个小时，将每处裂开的地方都细细缝好。而父亲如今也经常将女儿参与cos活动的照片和报道发到朋友圈，让家人和朋友第一时间能获得信息。
知名度的提升让越来越多职业动漫社团和公司抛来了橄榄枝，软宝却逐一婉拒，喜欢自由的她不愿意成为职业coser，“平时玩玩就行了，单纯的爱好并不一定非要成为职业。”
软宝深知，尽管如今市场接受了cosplay这一文化，但行业仍然具有极大的不稳定性。
国内coser收入主要来源于参加漫展、游戏厂商等活动的邀约，以及日常拍摄电子画册销售给粉丝。曾参加过多次类似活动的软宝表示，除了日常的展会外，国内大型漫展大多聚集在年底，其他时间少有类似活动，这意味着coser在一年中的主要收入来源仅在这一期间，而其他的时间里，收入则相对较少。
同时，并非每个coser参加漫展都能拿到高薪酬。软宝告诉记者，通常游戏厂商会按照coser的知名度、人气等因素支付不同费用，“如果是有30万粉丝的coser，每天的收入在2000元上下，如果粉丝数少或者不出名的，可能就在1000元。”
此外，游戏公司也只会在推出新角色和新皮肤时找coser宣传合作，但这种机会一年往往只有几次，“这时候公司所找合作对象大多都是有知名度的coser，主要取决于游戏公司更新速度。”软宝说，“普通的coser很难得到类似机会。”
软宝表示，2019年她先后接过两三次活动，收入也不过几万元。而如今疫情的影响让活动费用也随之减少。“除非你特别有名气，否则很难说能稳定地赚钱。”
coser的意义
在cosplay圈子里，北京coser弯弯绝对算得上是大前辈。不仅因为她早在2004年就涉足这一领域，更缘于多年来，她让越来越多喜欢二次元的玩家们进入这个圈子，并帮助她们实现成为职业coser的梦想。
“很多人觉得cosplay是玩物丧志，但我们其实就和普通人一样。不过其他人喜欢体育、影视，而我们喜欢二次元而已。”弯弯做过一段时间coser，毕业后曾经选择回归普通人的工作，但心中的cosplay情结并未冷却。一次和朋友聚会时，对方提出全职入圈的计划，经过一年的尝试后，两人决定回归动漫行业。
在那个游戏行业尚未爆发，动漫产业仍是一片困顿的年代，国内供coser展示的舞台较少，除了cj等零星的大型动漫展会外，最常见的则是各地商家为了吸引眼球所举办的动漫活动。外界对二次元、动漫的了解不多，也让coser背负着来自家庭、社会的压力。
“当时我明白了，最适合我的，还是动漫行业。”为了在行业打开突破口，弯弯决定创立一家真正职业化的动漫传播公司，为更多的爱好者正名，也让她们能得到传统行业的认可。
那个时候，只要是有漫展、游戏厂商活动的现场，就可以看到弯弯带领旗下coser的身影。凭借入圈多年的影响力以及此前带领动漫社团所积累的资源，她迅速和腾讯、网易等游戏厂商达成合作。对方需要cosplay来作为线下活动的补充和宣传，她们则通过专业和努力来得到合作商以及外界的肯定。
长时间的努力让弯弯的公司逐渐在业界声名鹊起，不仅多家游戏厂商与其合作，更多的coser也希望成为旗下艺人。
为了保证团队在业内的高水准，弯弯更倾向于签下演员、模特以及网红等有演出经验的艺人，再根据每个人不同的特性进行培训和包装，她要求艺人不仅在形象上契合角色，还需要对角色进行深研，以保证彻底融入其中。同时对服装道具也要求极高，不惜高成本对cos所需的假发、服装、道具进行1:1打造。
一次参加《王者荣耀》活动时，为了还原游戏角色，弯弯特意找到传统工艺行业的老师傅定制服装，“那套服饰就花了几万元，但舞台上呈现的效果绝对是最好的。”
那天晚上，当现场粉丝为舞台上的coser欢呼鼓掌时，更多的人开始相信，cosplay或许并不是不务正业、荒废人生。
忙碌的工作让弯弯乐在其中，每每在舞台甚至街上遇到粉丝热情地跟她打招呼，都能让弯弯有一丝骄傲和激动，“你能让粉丝感受到二次元的‘破壁’，为他们将游戏里喜欢的角色活生生地展示在面前，让他们觉得快乐，这不就是coser最大的价值吗？”
并非人人都能成为coser
在拍摄视频前，阿忆反复检查着身上的cos服装。
这是她买的第41套cos服，身后的柜子里堆满了从网上购买的衣服和道具。短视频平台上“变装”视频的火热，让喜欢cosplay却找不到出路的阿忆似乎看到了方向。
“对于我们这种小coser而言，很难接到动漫展和游戏厂商的邀约，毕竟没有任何知名度。”尽管几乎所有大型漫展活动她都会前往现场，但也只能以爱好者的身份远远地看着台上的同好们表演。
阿忆决定先在抖音上拍摄“变装”视频，她希望用作品吸引粉丝提升知名度，继而参与到漫展邀请、官方cosplay等活动，希望能被专业公司签约成为职业coser。第一次尝试并没获得成功，她特意买来一件《乱马1/2》里主角的服装，精心拍摄后发到了网上，但第二天发现回复者寥寥无几。
原来，她cos的人物过于久远，热门程度远不及当下年轻人关注的动漫角色，自然没有太多人主动搜索，即使无意间有人看到也少有人知道她cos的角色是谁。
阿忆发现，cos游戏角色同样需要蹭热度，只有紧跟热门游戏或者动漫IP的热门角色，玩家在微博、抖音等平台搜索时，才会无意间看到自己的cosplay照片，进而产生兴趣后再关注。
吸取教训的阿忆决定重新挑选cos角色。现在，她每天都会关注当下最火的游戏和动漫，并从中选出合适的角色。最近一次她所扮演的是热门动漫《天官赐福》中的一个角色，效果也颇为明显，“短短半个月内已经有上百个粉丝，增速比之前快多了。”
不过，为了让粉丝保持新鲜感，她需要高频率地更换cos角色，这意味着需要不断掏钱购买cos服以及道具。
记者了解到，如今cosplay服装分为两种。一种是厂家大货，即网购平台随处可购买的衣服，这类服饰价格通常在三四百元，质量一般；另一种则是定制服装，店家按照玩家需求、身材进行合身的定制，但往往价格动辄上千元。
对阿忆而言，普通的厂家大货显然比高级定制服更适合自己。尽管如此，她仍花费了上万元，目前看不到回报，让她计划将穿过的cosplay服装挂在网上低价转手，“能回点血就回点吧。”
做抖音变装视频的这段时间里，即使曾被网友嘲笑长相难看、衣服不精美，阿忆依然笑着坚持下去，但下线后，这个25岁的姑娘仍偶尔会因为网友的嘲讽和高强度的压力窝在被子里委屈地哭泣。
欣慰的是，阿忆的坚持让自己已有一帮固定粉丝，变装视频下的留言里鼓励的声音也越来越多，“至少让我觉得梦想没有错。”
新鲜血液暗藏的不安因素
成熟的二次元市场正吸引着越来越多年轻人的涌入，cosplay文化也越发规范化起来。
据前瞻产业研究院2020年2月发布的数据显示，中国二次元文化产业的总产值近年来发展迅猛，在2013年时总产值仅为882亿，而2019年已达到1941亿的规模。据艾媒报告显示，2019年中国二次元用户规模约为3.32亿人，预计2021年将突破4亿人。
cosplay的爆发不仅吸引越来越多玩家的加入，也带动周边产业商业化。
“在最早期coser需要自己买布料，带着设计图纸去找裁缝。而如今越来越多量产服装、道具店铺出现在市场中。”一位二次元从业者告诉记者。
“2014年时圈内更多还是以手工作坊为主。”一位店家告诉记者，“但随着手游、动漫的日益火热，每天接到玩家的咨询和销售量明显增多起来。”
除了服装道具商借势获利外，为coser负责摄影、后期的摄影团队同样得以爆发。
“coser最大的需求是后期。后期越强，照片呈现效果也就越好，也更能吸引到粉丝。”上述从业者说，如今后期的价格也水涨船高起来。
通常后期会根据照片处理复杂程度收取不同费用。“如果照片不用特效合成，只是帮你修脸补妆调光效的话，价格在每张15至30元不等。”软宝告诉记者，“而一旦涉及到更为专业的绿幕拍摄，需要后期为你合成更炫酷背景的话，往往一套照片价格在几万元上下。”
但新鲜血液的涌入，也为行业带来丝丝隐患。
据数据平台mobtech于2019年12月发布的统计显示，中国的二次元用户绝大多数年龄为24岁以下，其中18-24岁用户占比43.8%，18岁以下用户占比19.3%，年龄为24岁以上的二次元用户不足40%。
这意味着入圈者年龄越来越小，而其中不少玩家面对外界诱惑迷失自我，甚至为了迅速成名而采取过激行为，也让cosplay圈遭到无妄误读。
记者此前了解到，不少打着“cosplay”旗号的福利姬通过售卖大尺度照片和视频进而获利，近年来漫展上也多次爆出有coser身着暴露装扮只为出名的消息，而这些情况都让外界将cosplay圈子和“软色情”联系到一起。
“圈内都挺排斥这种行为，大多数玩cosplay的人都是对二次元文化热爱，喜欢二次元角色，最大限度地还原角色，但是却偏偏有这么一群人为了赚钱、为了博眼球而做出一些出格的表演。”阿忆说。
cosplay产业越来越庞大，也让从业者有了深耕行业的更大规划。如今辛楠计划着未来从台前转向幕后，从事和演出活动相关的编导、导演等工作，而弯弯正逐步将公司进行转型，她开始尝试汉服、演出等领域，“希望能涉足更多元化的产业，让动漫产业切入更大的市场中。”
新京报贝壳财经记者 覃澈 编辑 李薇佳 校对 李项玲
人工智能跨界二次元，日本游戏公司用GAN生成高分辨率动漫人物
原文来源：DeNA
「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA
导语：熟悉二次元的小伙伴一定对动漫人物的换装和姿势变化不陌生。而最近，日本网络服务公司DeNA提出了一种渐进式结构条件生成式对抗网络（Progressive Structure-conditional Generative Adversarial Networks，PSGAN），这是一种新的框架，可以根据姿势信息（pose information）生成全身和高分辨率的动漫人物图像。接下来，我们就来看一下PSGAN是如何生成全身动漫人物，并为其添加新的姿势动作的。
最近在具有层次结构和渐进式结构的生成式对抗网络（generative adversarial network，GAN）方面所取得的进展使生成高分辨率图像成为可能。然而，现有的方法在对工业应用来说很重要的生成结构化对象（例如，全身人物）方面存在局限性。另一方面，虽然已经提出了可以基于结构化条件（例如，姿势和面部标志）生成图像的GAN，但是它们的图像质量不足。为了解决上述的局限性，我们引入了一个PSGAN，它在训练过程中使用结构化对象逐步提高生成图像的分辨率，以生成结构化对象（例如，全身人物）的详细图像。此外，我们还在网络上施加任意的潜变量（latent variable）和结构条件，以便根据目标的姿势序列（pose sequence）生成不同的、可控制的视频。在本文中，我们通过实验证明了这种方法的有效性，展示了具有详细的、以姿势为条件的动漫人物的512x512视频生成实验结果。
生成结果概述
我们展示了由PSGAN生成的各种动漫人物和动画的例子。我们首先使用PSGAN从随机潜变量中生成许多动漫人物。接下来，我们通过插入与动漫人物相对应的潜值（latent value）来生成新的动漫人物。然后，用连续的姿势序列生成内插的动漫人物的动画。
生成新的全身动漫角色
我们通过使用PSGAN插入与不同服饰的动漫人物（人物1和2）相对应的潜值，从而生成一个新的全身动漫角色。请注意，这里只施加了一个姿势条件。
将动作添加到生成的动漫人物
下面展示了带有指定动漫人物和目标姿势的动画生成示例。
通过固定潜变量，并给PSGAN提供连续的姿势序列，我们可以生成人物的动画。更具体地说，我们将指定动漫人物的表征映射到作为PSGAN输入向量的潜空间中的潜变量中。
通过将指定动漫人物映射到潜空间并生成作为PSGAN输入的潜变量，生成带有指定动漫人物的任意动画。
近来，科学家们已经在使用深度生成式模型进行自动图像和视频生成方面进行了研究。可以说，这些研究对于诸如照片编辑、动画制作和电影制作等媒体创建工具来说意义重大。
专注于动漫创作（anime creation）、自动角色生成可以激发专家去创造新的角色，同时也有助于降低绘制动漫的成本。
Yanghua Jin、Jiakai Zhang、Minjun Li、Yingtao Tian和Huachun Zhu所著的《使用生成式对抗网络实现高质量动漫人物的生成》，聚焦于使用GAN架构实现动漫人物人脸的图像生成。然而，尚未提出全身性人物的生成（full-body character generation）。
可以这样说，专家们提出的是仅仅聚焦于人脸图像的动漫人物图像的生成，但其质量并不满足制作动漫的要求。
自动生成全身性的角色，并向其添加高质量的动作，这对于制作新角色和绘制动漫来说具有非常大的帮助。因此，我们致力于生成全身性的人物图像并为它们添加高质量的动作（例如视频生成）。
将全身性人物生成应用于动漫制作中仍然存在两个问题：（i）具有高分辨率的生成，（ii）具有特定姿势序列的生成。
可以这样说，作为一个适用于各种图像生成任务的框架，生成式对抗网络（GAN）是一个最有发展前景的候选方法之一。最近，在具有分层结构和渐进结构的GAN方面所取得的进展实现了高分辨率、详细的图像合成和文本—图像的生成。然而，高质量生成的应用仍然只局限于一些对象，如面部和鸟类。对于GAN来说，生成具有全局结构的结构的对象是一个很大的挑战，而对于具有高分辨率的生成来说也是如此。另一方面，科学家们还提出了具有结构化条件的GAN，如姿势和面部标志。但是，他们的图像质量还有很多的不足之处。
我们提出了渐进式结构条件GAN（Progressive Structure-conditional GAN，PSGAN）来解决这些问题。我们展示了PSGAN能够以512x512的分辨率生成具有目标姿势序列的全身性的动漫人物和动画。当PSGAN生成具有潜变量和结构条件的图像时，PSGAN就能够生成具有目标姿势序列的可控制动画。
渐进式结构条件性GAN
我们的主要思想是渐进式地学习具有结构条件的图像表示。PSGAN提高了具有结构条件的生成图像在每个尺度上的分辨率，并生成了具有详细姿势条件的高分辨率图像。我们采用与Zizhao Zhang、Yuanpu Xie和Lin Yang所著的《使用层次嵌套对抗网络实现摄影文本到图像的综合》中相同的图像生成器和鉴别器体系结构，除了我们所提出的通过添加具有相应分辨率的姿态图，在每个比例的生成器和鉴别器上施加结构条件。
利用所提出的网络体系结构，图像生成通过相应的条件图渐进式的从低分辨率层到高分辨率层进行执行，这显著地稳定了训练。这种增加使得对于生成器和鉴别器结构在每一种NxN分辨率下进行的训练都是渐进式结构条件化的，并稳定稳定了对结构条件式生成的训练。
PSGAN的Generator（G）和Discriminator（D）体系结构。NxN白色框代表在NxN空间分辨率下操作的可学习卷积层。N×N灰色框代表结构条件的不可学习的下采样层，这将结构条件图的空间分辨率降低到N×N。
训练数据准备
在本节中，我们将描述我们的数据集准备方法。对于PSGAN，我们需要成对的图像和关键点坐标。我们准备了由Unity合成的原始变身动漫人物（avatar anime-character）数据集，以及由Openpose检测到的关键点的DeepFashion数据集。
Avatar Anime-Character数据集
我们构建PSGAN的新数据集，满足三个要求：
1.姿势多样性。为了生成平滑和自然的动漫，我们准备了各种各样的姿势条件。
2.训练图像的数量。通过使用Unity生成3D建模的虚拟头像，无需任何手动注释就可以获得具有关键点图的无限数量的合成图像。
3.背景消除。我们将背景颜色设置为白色并擦除不必要的信息，以避免对图像生成产生负面影响。
我们将一个变身的几个连续动作分成600个姿势，并捕捉每个姿势的关键点。我们对79种服装进行了这样的处理，总共获得了47,400张图像。我们还根据3D模型的骨骼位置获得了20个关键点。
下图显示了训练数据的样本。动漫角色（顶行）和姿势图片（底行）。
DeepFashion数据集
PSGAN利用姿态信息在图像生成网络上施加结构条件。我们使用Openpose从没有关键点注释的图像中提取关键点坐标。关键点的数量是18，并且省略了少于10个检测到的关键点的样本。缺少的关键点填充-1，其他关键点设置为1。
训练设置实验
我们使用与《用于提高质量、稳定性和变化的GAN的渐进式生长》相同的舞台设计和损失函数。我们展示了每阶段鉴别器的600K真实图像和结构条件，并使用了n_critic=1的WGAN-GP损失。为了节省CPU内存，在4×4 -128×128图像生成阶段，我们令minibatch size为16，并分别将256×256图像和512×512图像的生成器，减少至12个和5个。
我们使用M个通道来表示M个关键点的结构条件。在每个通道中，一个像素在对应的关键点上填充1，而在其他位置上填充-1。对于每个N×N分辨率，我们使用内核大小（kernel size）为2和步长（stride）为2的最大池化（max-pooling）作为结构条件的还原层（reduction layers）。
Avatar Anime-Character数据集 ：我们使用Adam训练网络，其中β1=0，β2=0.99。我们在4×4-64×64图像生成阶段使用α=0.001，并将其逐渐降低至128×128图像的α=0.0008，256×256图像的α=0.0006以及512×512图像的α=0.0002。姿势关键点（pose keypoints）的数量是20。
DeepFashion数据集 ：我们使用Adam（α=0.0008，β1=0，β2=0.99）对各阶段的网络进行训练。姿势通道（pose channels）的数量为18。
PSGAN、PG2、Dinentange PG2和渐进式 GAN之间的比较
本文中，我们研究了PSGAN生成图像的多样性。下图展示了PSGAN生成的图像，其中潜变量（latent variables）是随机设置的。PSGAN为每个姿势条件（pose condition）生成各种各样的图像。
接下来，我们评估了PSGAN的再现性（reproducibility），并与以姿势为指导的人的图像生成（Pose Guided Person Image Generation，PG2）]和分离的人的图像生成（Disentangled Person Image Generation，DPG2）进行了比较。PG2和DPG2需要源图像和相应的目标姿势，以将源图像转换为具有目标姿势结构的图像。同时，PSGAN根据潜变量和目标姿势生成具有目标姿势结构的图像。与PSGAN相比，PG2和DPG2更易受到源图像和相应目标姿势的影响。
下图展示了PSGAN、PG2和DPG2的生成图像。我们省略了PG2和DPG2的输入图像。从中我们可以观察到，由PSGAN生成的图像与由PG2和DPG2生成的图像一样自然、真实。由于PSGAN也是由潜变量生成图像，因此，从理论上讲，PSGAN可以和PG2和DPG2一样，生成多种多样的图像。
最后，我们评估了PSGAN与渐进式 GAN的结构一致性。下图是渐进式GAN和PSGAN生成图像的比较。我们发现，渐进式GAN无法生成由其整体结构组成的结构目标的自然图像。另一方面，PSGAN可以通过在每个度量上施加结构条件，来生成由其整体结构（例如：左侧两幅图）组成的近乎真实的图像。
结论
本文展示了由PSGAN生成的流畅、高分辨率动画。我们表明，PSGAN可以在512×512目标姿势序列的基础上，生成全身动漫人物和动画。在训练过程中，PSGAN可通过改善每个尺度上的结构条件，逐渐提高生成图像的分辨率，并为结构化对象（例如：全身人物）生成详细图像。由于PSGAN生成的图像具有潜向量（latent vectors）和结构条件，因此PSGAN能够生成具有目标姿势序列的可控制动画。我们的实验结果表明，PSGAN可以根据随机潜变量生成多种动漫人物，并以连续的姿势序列为结构条件，使动画更加流畅。由于实验环境有限，例如一个化身和几个动作，我们计划在不同条件下继续进行实验和评估。
未来，我们计划开发Avatar Anime-Character数据集。
原文链接：http://dena.com/intl/anime-generation/
相关问答
日本的的动漫玩偶是用什么材料做的?-ZOL问答
日本动漫玩偶通常使用PVC、ABS树脂等塑料材料制作,部分高端产品可能采用金属或陶瓷材质。是天降之物吗就一句话:首先日本是个擅长向强盛国“借鉴”文化技术的...
手办模型是什么材质的？
