人体姿态迁移旨在目标姿态的引导下,将原始图像的人物姿态转换至相应的目标姿态,并保持人物身份和外观的一致性。该研究在游戏绘画、电影制作和虚拟试衣等领域具有极大的商业前景,此外,该研究还被应用于去伪检测和行人重识别研究课题,作为数据增强的解决方案。近年来,随着人工智能浪潮的来临,人体姿态迁移技术得到了快速发展,在姿态迁移准度、多姿态泛化性能以及商业落地应用等方面均有显著进步与提高。然而,当前人体姿态迁移技术仍然存在以下核心问题:第一,人体姿态变换为人体动力学中的缓变运动过程,由于现有方法中网络结构与特征融合策略的局限性,使网络模型直接学习由原始姿态分布到目标姿态分布的非线性映射过程,忽视了对姿态变换中继状态的学习和表达能力,造成了模型泛化能力差和姿态迁移失准的问题。第二,人体躯干及四肢具有较高灵活度,图像中的人体姿态迁移可等价为大范围远距离的非刚性形变过程,然而,现有方法处理姿态遮挡或姿态缺失图像的迁移效果欠佳,相应姿态遮挡区域存在图像语义内容错位的问题。第三,现有方法在完成姿态迁移的基础上,难以进一步完成相应姿态区域的语义内容和纹理外观的迁移,导致图像生成结果模糊化,存在伪影失真的问题。因此,本文针对以上问题进行研究,并通过以下技术创新提出解决思路。第一,针对现有方法中网络结构与特征融合策略的局限性,本文提出了一种基于回文策略的双向渐进式姿态迁移网络,可解耦为回文双向渐进式生成网络和判别网络两个部分。本文通过构建正反双向的渐进式姿态迁移过程,来模拟人体动力学中姿态变换的缓变过程,并从结构设计的角度为模型增加了隐式的姿态迁移约束。实验证明,本网络结构强化了模型对姿态变换中继状态的学习和表达能力,提升了姿态配准对齐程度和网络泛化性能。第二,针对罕见姿态、姿态自遮挡及姿态缺失的非刚性姿态迁移问题,本文提出了一种基于回文结构的重构一致性约束条件。通过约束原始图像与重构图像在像素级和语义级上的内容一致性,辅助回文网络结构预测未知姿态区域的语义信息,使网络模型在缺乏姿态遮挡区域先验信息的情况下,也能从泛化多样的姿态变换中继状态中提取到有效的姿态信息,进而修正未知姿态区域的图像配准过程。实验结果证明,该约束条件能更好地引导姿态的配准对齐过程。额外的,该约束条件与回文网络结构相互作用,使模型的学习负担分摊至双向生成器上,降低了用于推理预测的正向生成器的模型参数量与计算复杂度。第三,针对姿态迁移生成结果模糊化和存在伪影失真的问题,本文提出了一种基于区域的风格一致性约束条件。在局部区域中,以骨骼关键点的概率置信度图为引导,融合预训练网络提取到的图像编码特征,并通过Gram矩阵提取融合矩阵的特异值,来约束原始图像与生成图像对应姿态关键区域的显著性风格保持一致;在全局区域中,约束原始图像与重构图像的风格化差异。通过两者的共同作用,保留了原始图像的语义内容和纹理细节,并削弱了图像前景区域的伪影失真。实验结果证明,本文算法模型的生成结果更平滑自然、富有真实性。以上即为本文的研究内容和创新方法,通过在Market-1501和Deep Fashion数据集上进行大量实验,各实验结果均证明了本文提出的基于回文策略与区域化风格的人体姿态迁移算法的有效性和先进性。