一https://github.com/google-research/football 时间：2019.7.25
1.环境记录
（1）不能在docker中运行,需要在本地运行
（2）apt-get install git cmake build-essential libgl1-mesa-dev libsdl2-dev libsdl2-image-dev libsdl2-ttf-dev libsdl2-gfx-dev libboost-all-dev libdirectfb-dev libst-dev mesa-utils xvfb x11vnc glee-dev libsdl-sge-dev python3-pip
（3）pip3 install gfootball或者`git clone https://github.com/google-research/football.git` cd football` `pip3 install .`
pip3 install "tensorflow<2.0" or pip3 install "tensorflow-gpu<2.0"
pip3 install dm-sonnet
pip3 install git+https://github.com/openai/baselines.git@master
2.项目内容和原理
此存储库包含基于开源游戏Gameplay Football的强化学习环境。强化学习（RL）的目标是培养能够与环境互动并解决复杂任务的智能体。
以足球游戏为模型，基于物理的3D足球模拟提供足球环境，其中智能体控制团队中的一个或所有足球运动员，学习如何在他们之间传球，并设法克服对手的防守以进球。足球环境提供了几个关键组件：高度优化的游戏引擎，足球基准，足球学院。
足球引擎是基于大量修改版本的游戏足球。根据两支对方球队的输入动作，它模拟了足球的比赛，包括进球，犯规，角球和点球，以及越位。足球基准的目标是针对固定的基于规则的对手进行足球的“标准”游戏，该对手是为此目的而手工设计的。完整足球基准下，训练智能体可能具有挑战性，我们还提供足球学院，各种难度的各种场景。这使研究人员能够开始研究新的研究思路，并为研究课程学习研究思路提供基础，智能体可以从逐渐困难的情景中学习。足球学院场景的示例包括智能体必须学习如何针对空目标进行评分的设置，他们必须学习如何在玩家之间快速传递，以及他们必须学习如何执行反击。
二https://github.com/NVIDIA/vid2vid 2018.12.3
- 用于高分辨率（例如，2048x1024）照片级真实视频到视频的转换
- 它可用于将语义标签贴图转换为照片般逼真的视频，合成人们从边缘地图谈话，或从姿势生成人体运动。视频到视频翻译的核心是图像到图像的翻译。
- 提出了一种视频到视频的合成方法,在生成性对抗性学习框架下。通过生成器和鉴别器，加上时空对抗性目标，实现高分辨率，真实感，时间相干的视频结果一组不同的输入格式，包括分割蒙版、草图和姿势，有以下四种情景。
(1).标签到街景结果
(2).边框到面部结果
(3).姿势到身体的结果
(4).帧预测结果
3.遇到的问题
(1)RuntimeError: Expected object of scalar type Byte but got scalar type Bool for argument #2 'other'
出现这个错误的情况是，在服务器上的docker中运行训练代码时，batch size设置得过大，shared memory不够（因为docker限制了shm）.解决方法是，将Dataloader的num_workers设置为0.
- RuntimeError: Expected object of scalar type Byte but got scalar type Bool for argument #2 'other'
目前没有解决的问题
CUDNN_STATUS_MAPPING_ERROR
三https://github.com/YadiraF/PRNet 2018 eccv
1.环境记录 10.0local
cuda10.0+cudnn
Python 2.7 (numpy, skimage, scipy)
TensorFlow >= 1.4
Optional:
dlib (for detecting face. You do not have to install if you can provide bounding box information. )
opencv2 (for showing results)
numpy>=1.14.3
scikit-image
scipy
tensorflow
1.git clone https://github.com/YadiraF/PRNet cd PRNet
2.Download the PRN trained model at BaiduDrive or GoogleDrive, and put it into Data/net-data
3.python run_basics.py #Can run only with python and tensorflow
4.python demo.py -i <inputDir> -o <outputDir> --isDlib True
5.run python demo.py --help for more details.
6.python demo_texture.py -i image_path_1 -r image_path_2 -o output_path
7.run python demo_texture.py --help for more details.
- 项目有训练好的模型 也可以用自己的数据集训练，测试，可以实现
- 面部对齐 可见和不可见点的密集对齐（包括68个关键点）。
- 三维人脸重建
（3）更换人脸的局部
（4）更换人脸
本文的核心思想是： 使用位置图来表示面部几何和对齐信息，然后使用编码器 - 解码器网络进行学习。基于位置图回归网络的联合三维人脸重建与密集对齐的关键创新点。
1.端到端 可以直接回归3D面部结构和来自绕过3DMM拟合的单个图像的密集对齐。
2.多任务通过回归位置图，可以获得3D几何以及语义。可以完成密集对齐，单眼三维人脸重建，姿态估计等任务。
来源：https://blog.csdn.net/niushaoda/article/details/100934873