來看psp中文網文章列表:

• 1、游戲趣盤點：PSP版GTA，俠盜獵車：自由城故事
• 2、火了15年的SONY神機PSP，最后還是輸給了iPhone
• 3、這款即將發售的最硬核高達游戲，我該如何入坑下
• 4、我真的玩了AI繪圖做的游戲，不過和我想的不大一樣
• 5、CVPR 2018 中國論文分享會 之人物重識別及追蹤

游戲趣盤點：PSP版GTA，俠盜獵車：自由城故事

《俠盜獵車：自由城故事》承襲了GTA一貫的高自由度，可探索的地圖相當大，唐人街等各具特色的區域都在相當程度上還原了本來的風土人情。本作以GTA3中所在的自由城(（Liberty City）)為背景，這是一個夢想與現實、欲望和野心的交匯地。

《俠盜獵車手：自由城故事》(Grand Theft Auto: Liberty City Stories)是早在2005年就已經登陸PSP平臺的GTA系列作品，時隔近10年，制作方Rockstar將該作搬上了移動平臺。游戲以《俠盜獵車手3》中所在的自由城為背景，故事從1998年開始，主人公Toni Cipriani因殺人而逃亡了一段時間后又回到了自由城，再次為黑手黨家族的老大Don Salvatorie Leone工作。

俠盜獵車：自由城故事

由于恰逢新舊主機交替之際，著名的暴力動作游戲GTA系列的最新作并無法趕在本財年內發售，對Take-Two公司的收入造成了相當程度的影響，為了幫補家計，Take-Two旗下的Rockstar Games不得不將PSP上的作品《俠盜獵車：自由城故事》（以下簡稱GTA：LCS）移植到主流的PS2家用機平臺上。

本作以《俠盜獵車手3》中所在的自由城為背景，不過故事、人物和任務都是全新的。故事從1998年開始，Tony Cipriani因殺人而逃亡了一段時間后又回到了自由城，黑幫朋友Don Salvatorie給了他一份差事，讓他掌管曾在《俠盜獵車手3》中露面的一家飯店。當然，給Salvatorie做事沒有那么容易，Cipriani的人生注定無法脫離黑道的殺戮。本作采用了全新引擎"NOT Renderware"制作，由Rockstar Leeds與Rockstar North合作開發。作為一款掌機游戲，本作在貼圖密度、解析度、威力效果等方面都進行了優化。本作將會充分利用PSP的無線多人游戲功能，具有多種多人游戲模式，包括"自由城生存戰"、"收取保護費"、"偷車賽"等。

自由城生存戰(Liberty City Survivor):這個模式相當于死亡競賽，在限定時間內殺敵數量最多者獲勝。殺死一名對手就會獲得一分，自己被殺就會被扣掉一分。你還可以與其他人聯合起來殺死敵對幫派成員。限定時間內殺敵數量最多的幫派獲勝。

汽車保護戰(Protection Racket):該模式中，玩家的目的是摧毀敵對幫派基地中的四輛豪華轎車，同時阻止對方來破壞自己的轎車。該模式共有兩種，兩個幫派輪流扮演攻防雙方。屏幕上有一個計時器統計第一回合內毀掉對方轎車所用的時間。守方的4輛轎車全部被摧毀后，攻守雙方的身份就會調換，第二回合開始。上一回合的記錄時間開始倒計時，攻方必須在倒計時結束之前摧毀對方的轎車，否則就會失敗。

偷車賽(Get Stretch):每個幫派都可以偷竊對方幫派的汽車，并將其帶回到自己的基地，同時阻止自己的汽車被偷。該模式相當于傳統的奪旗模式。若是汽車被對方偷走，可以將其開回，或者直接就地摧毀。過了一段時間之后，這輛汽車就會再次在自己的基地出現。最先達到分數定值或者偷了最多汽車的一方獲勝。該游戲的PS3版本于2013年4月2日在PlayStation網絡正式發售。

游戲劇情

雖然游戲不支持中文，但此前PSP版本早有漢化，相信熟悉本作的的老玩家早就對劇情和地圖爛熟于心。Liberty City，隱射的正是美國的經濟中心紐約。在這里，傳統的黑手黨家族、華人三合會、日本山口組、拉丁幫派、黑人幫派、各色勢力橫行。如今的自由都市已經徹底籠罩在混亂中：敵對的幫派為了爭奪街道的控制權而互相火拼;政治腐敗的余波已經開始令城鎮步向自我毀滅的不歸路;再加上組織性的大規模犯罪、毒販散布和連續的罷工活動，令所有人陷入緊張的不安中。

游戲依然承襲了GTA一貫的高自由度，可探索的地圖相當大，唐人街等各具特色的區域都在相當程度上還原了本來的風土人情。PSP平臺的作品為順應屏幕的比例，都是支持寬屏顯示的，因此，移植到PS2后的GTA：LCS同樣繼承了寬屏顯示的功能。

只是，對于這款移植作品，游戲小組似乎并沒有投入太大的精力，對于游戲的建模，紋理材質，光影效果等等并沒有根據家用機的機能，所用影音設備等具體環境作出適當的優化。所以，PS2版的GTA：LCS畫面顯得粗糙無比，鋸齒多且明顯自不必說，光影效果，紋理貼圖也顯得相當糟糕，解析度較低之余，畫面也顯得非常暗。這就好比一張像素較低的圖片，在沒有經過任何算法程式的優化下，強制放大數倍一樣。其整體畫面表現在很多方面都不如04年秋在PS2平臺上首發的GTA:SA。雖然GTA系列一向就以自由度著稱，畫面并非其強項，但這次PS2版的GTA：LCS，明顯可以看出移植相當沒有誠意，使得本已不太討好的畫面更是百上加斤。

本作以GTA3中所在的自由城(（Liberty City）)為背景，這是一個夢想與現實、欲望和野心的交匯地。成千上萬個不同的故事發生在這個城市里。游戲的故事、人物和任務都是全新的。游戲將時間設定在GTA3的三年以前，也就是從1998年開始，Leone家族是自由都市內有數的犯罪家族之一，這個家族曾經有一個叫做Toni Cipriani的優秀成員因為殺了一個瘋狂的男人后不得不躲藏起來。

而現在，Toni回來了，也是時候將一切恢復到原來的樣子。Tony Cipriani因殺人而逃亡了一段時間后又回到了自由城，黑幫朋友Don Salvatorie給了他一份差事，讓他掌管曾在GTA3中露面的一家飯店。

當然，給Salvatorie做事沒有那么容易，如今的自由都市已經徹底籠罩在混亂中：敵對的幫派為了爭奪街道的控制權而互相火拼；政治腐敗的余波已經開始令城鎮步向自我毀滅的不歸路；再加上組織性的大規模犯罪、毒品散布和連續的罷工活動，令所有人陷入緊張的不安中。也因此，當Toni試圖清理這個混亂的黑社會時，他身邊竟然沒有人可以信任。瘋狂的職業打手、道德敗壞的企業家、憤世嫉俗的政客，甚至就連Toni的親生母親都在阻止他令Leone家族重新掌握這個城市的控制權。Tony的人生注定無法脫離黑道的殺戮。為了令自由城恢復原來的秩序，Toni必須不擇手段才能達到這個目的。新的自由城故事，將從這里開始。

游戲畫面

在畫面上，原版畢竟是PSP畫質，建模、紋理什么的就不要想太美好，雖然iOS版《俠盜獵車手：自由城故事》優化了貼圖，讓畫面少了很多鋸齒，還增加了一點光影效果，不過畢竟是一個移植作品，原作本身就沒有對畫面投入太大的精力，并非重新開發，所以畫質不要抱太大希望。盡管畫面過于“復古”，但不能掩蓋這一作內容上的精彩，游戲依然承襲了GTA一貫的高自由度，可探索的地圖相當大，唐人街等各具特色的區域都在相當程度上還原了本來的風土人情。

游戲依然承襲了GTA一貫的高自由度，可探索的地圖相當大，唐人街等各具特色的區域都在相當程度上還原了本來的風土人情。PSP平臺的作品為順應屏幕的比例，都是支持寬屏顯示的，因此，移植到PS2后的GTA：LCS同樣繼承了寬屏顯示的功能。只是，對于這款移植作品，游戲小組似乎并沒有投入太大的精力，對于游戲的建模，紋理材質，光影效果等等并沒有根據家用機的機能，所用影音設備等具體環境作出適當的優化。所以，PS2版的GTA：LCS畫面顯得粗糙無比，鋸齒多且明顯自不必說，光影效果，紋理貼圖也顯得相當糟糕，解析度較低之余，畫面也顯得非常暗。這就好比一張像素較低的圖片，在沒有經過任何算法程式的優化下，強制放大數倍一樣。其整體畫面表現在很多方面都不如04年秋在PS2平臺上首發的GTA:SA。雖然GTA系列一向就以自由度著稱，畫面并非其強項，但這次PS2版的GTA：LCS，明顯可以看出移植相當沒有誠意，使得本已不太討好的畫面更是百上加斤。

游戲音效

GTA系列和EA旗下的體育以及賽車類作品一樣，有著可供玩家隨意切換音樂的好處和優勢，而這次的GTA：LCS，調頻電臺除了保留以往的Rap/R&B/HIP-HOP類型的音樂外，還加入了印巴風格的音樂元素，聽起來別有一番風味。不過，因為PS2主機在播放音樂方面不如PSP和PC平臺那么具有開放性，因此，少了可由玩家自行播放保存在記憶棒，硬盤等存儲介質上的音樂這些有趣的功能。游戲的音效方面同樣一如既往地到位，各種交通工具，還有NPC的音效都能恰如其分地表達出來。

游戲亮點

GTA：LCS原來雖然只是一款為掌機平臺量身定做的游戲，但游戲的內容與正傳作品相比卻不遑多讓，主線和分支任務的結構，自由度同樣相當豐富，包羅萬有的武器和交通工具也都是一應俱全：除了Shotgun、AK47、Ingram這些威力不俗的槍械外，Flame Thrower火焰噴射器和Rocket Launcher火箭炮等重型武器以及Laser Scope Sniper Rifle這樣的遠程狙擊武器也將出現在游戲當中。至于交通工具，當然就更加豐富了，下至輕便快捷的摩托車，上至MR.WONGS等重型卡車，甚至還有在特殊任務當中需要駕駛的直升機以及各類快艇，海陸空一樣不少。玩家可以在游戲中充分享受到無所不能的駕駛樂趣。自然了，交通工具可以搶，這武器，可大都得用血汗錢來購入了。可不要異想天開地試圖干掉武器商店的老板，他用的武器可比玩家強多了，偷雞不到的后果當然是蝕把米了。或許是因為本是掌機平臺的作品，GTA：LCS在系統和操作上顯得更為簡潔，不過，PS2版在進行移動和駕駛等環節時的視角還是顯得過于靈敏了。

自由度一直是GTA系列標榜的賣點，無論是為惡四方，還是以行善為樂，玩家總能在游戲中找到屬于自己的快樂。但由于暴力和成人化的色彩太濃，GTA一直也因此而飽受爭議。在進行解決目標任務，擔任保鏢等任務的過程中，玩家不免會出現受到通緝的情況，通緝星級越高，玩家受到圍追堵截的情況也將越加驚險。情況特別嚴重時，警方甚至會出動裝甲車和軍用坦克來對付玩家，此時，玩家可就不是躲躲就能蒙混過關了，得想一些非常規的法子才能徹底擺脫困境，搶得警方強力載具來以暴制暴，駕駛輕便的交通工具盡量往狹窄的街道逃竄，或者盡可能利用一些有利于車輛進行飛躍的場地。然后通過汽車噴漆商店為載具改頭換面等等，都是不錯的選擇。

游戲評價

雖然只是一款為掌機平臺量身定做的游戲，但游戲的內容與正傳作品相比卻不遑多讓，主線和分支任務的結構，自由度同樣相當豐富，包羅萬有的武器和交通工具也都是一應俱全，從AK47到火焰噴射器、從輕便的女裝摩托到重型卡車，甚至還有在特殊任務當中需要駕駛的直升機以及各類快艇，海陸空一樣不少。當然，交通工具可以搶，這武器可大都得用血汗錢來購入了。不要異想天開地試圖干掉武器商店的老板，他用的武器可比玩家強多了。

操作方面個人感覺更接近于后來的PS2移植版，因為原PSP版操控簡潔而且流暢，但PS2版的移動和視覺轉動控制過于靈敏，試玩的感受就是iOS版好像也繼承了這種“過分”的靈敏，簡潔是簡潔，就是駕駛載具的時候加速和轉彎都相當銷魂，加上畫面時有掉幀情況，操控手感需要適應，不過開車亂撞大概本身就是GTA的樂趣，只要別把自己撞到起火爆炸就好。

自由度一直是GTA系列標榜的賣點，無論是為惡四方，還是以行善為樂，玩家總能在游戲中找到屬于自己的快樂。本作的暴力和成人化的色彩太濃，正因如此當它在中國區上架時大家都吃了一驚。玩到后面與各個勢力沖突加劇你會遭受到被人圍追堵截的情況，甚至警方會出動裝甲車來收拾你，這時候如何用“非常”手段去解決，就靠玩家自己的智慧了。

以上就是本期精彩內容

更多精彩內容敬請關注、點贊、收藏、轉發、評論

感謝您的支持與鼓勵

火了15年的SONY神機PSP，最后還是輸給了iPhone

難以置信， PSP 已經是 15 年前的東西了。

今年是 PSP 上市 15 周年。2004 年 12 月 12 日,初代 PSP 在日本本土首先開售。開價 19800 日元，發售當天即賣就臺。可如果沒有一記來自友商的“背刺”，歷史也許不會如此發展。

索尼 VS 任天堂，史上最兇掌機戰爭

這是 PSP 的第一次實機亮相。

在那次發布會上，索尼幾乎公開了關于 PSP 的一切，但就是沒說發售日和價格。可等到原定公布發售計劃的 9 月 21 日，任天堂突然搞了個精準狙擊：就在索尼發布會前 1 個小時，新掌機 NDS 發售信息公布， 12月2日上市，定價 15000 日元。

索尼被殺得猝不及防。不光對手的定價大幅低于預期，12 月 2 日這個上市日期，也完全是貼著索尼定的（當年 12 月 3 號剛好是 PS 系列誕生 10 周年）。結果原定下午 3 點半開始的發布會，居然硬是以“高層遲到”為由推后了 17 分鐘。PSP 價格、發售日兩大關鍵信息也一并欠奉，直到接近一個月后的 10 月 27 號才公布。

War, war never changes……在這場掌機戰爭里， PSP 可以說是一力降十會：當時看來極為先進的 UMD 光盤，和遠超 NDS ，一度讓老任股價聞風而落的圖形性能，都讓不少評論家以為，索尼已經坐穩了第七世代掌機王的位子。

（PSP的畫面表現，即便是后續的3DS也難以招架）

可 NDS 和它根本就不在一個大氣層里。面對主機級畫質的《山脊賽車》，任天堂扔出來的居然是《任天狗》和《腦鍛煉》，兩個 2000 萬爆賣級別的……小游戲。

任索兩家從此走上截然不同的道路：任天堂一頭扎進了廣闊的異質市場，除了大腦鍛煉系列，《超執刀》系列的觸摸筆、和以《任天狗》為代表的聲控游戲，都讓人眼前一亮。

索尼則越走越硬核，畫面精細度和游戲特效節節攀升，大作頻出。《戰神：奧林匹斯之鏈》、《第三次生日》之類畫面巔峰，是不少人心中的經典。

（ QTE 小游戲就不放了，懂的都懂）

走到中期，索尼更從卡普空手里撬來了《怪物獵人》系列，掀起一時聯機熱潮。怪獵在 PSP 上一共出了 3 代 4 作，合計銷量 1400 萬。在學校和同學偷偷聯機狩獵，放假在家一個人平推戰神，估計是不少玩家的青春回憶。

終其一生，PSP 在全球一共售出 8000 萬臺以上，是有史以來排名第 10 位的暢銷主機。可索尼并非最后的贏家。如果說 PSP 這份成績單是“取得了成功”，那賣掉 1 億 5402 萬臺，差點掀翻 PS2 主機王座的 NDS ，無疑是個怪物級別的對手。

是不是覺得這歷史不太對？

沒錯，雖然全球市場賣不過老任，但在中國大陸的情況卻截然相反：PSP 的流行程度異乎尋常，幾乎成了掌機的代名詞。可索尼好像并不太笑得出來，因為PSP本體和軟件的銷量……有些不成比例。有很多人買了PSP，卻一個游戲都沒下單。

PSP破解史：貓鼠游戲

如果能認出這只煎蛋，說明你是真的老了。

主機也好掌機也罷，一直都是前期虧錢賣硬件，再通過軟件銷量賺回來。如果主機被過早破解，銷量暴漲卻沒人為游戲買單，那就要虧瘋了。而 PSP 的歷史，也是索尼和黑客之間斗智斗勇的歷史。

說起 PSP 破解，有三個關鍵詞絕對繞不過去：M33、蛋圖、普羅米修斯。

早期 PSP 破解，主要依靠系統和游戲漏洞來進行。如果新系統找不到可用漏洞，那就想辦法降回舊版。游戲也不能直接從記憶棒啟動，要有正版盤引導才行。索尼還在新游戲內加入系統版本要求，低版本破解系統的玩家不得不依賴黑客團隊，對新游戲逐個解除版本限制。

2006 年，黑客大神 Dark-AleX 弄出了 PSP 破解圈的核彈：2.71SE 自制系統。這個天才般的點子，一腳把 PSP 破解踹進了黃金年代：這兩年索尼的系統防護，突然變得像紙一樣脆弱不堪。黑客團隊推出自制系統的速度，幾乎能和官方補丁同步。

（現在還能找到當年的教學貼）

更夸張的是在這之后，售后刷機用的“神奇電池”制作方法流出，刷機破解一夜之間變得無比簡單。屏幕大、能看聽歌電影、破解之后游戲資源豐富，還能看電子書、玩模擬器、甚至用上 Java QQ ……一臺更比 6 臺強的 PSP ，迅速在中國大陸流行開來。

08 年 3 月，電玩巴士在中關村“偶遇”平井一夫。據說當天姨夫在e世界買了臺 PSP ，還被店主當面破解好了才帶走……不知道這跟后來的改進有無關聯，但索尼后續的動作，的確給黑客制造了不小的麻煩。

（圖片來自電玩巴士，當年那報道還能打開）

在這之后不久，索尼推出了硬件大改的 v3 主板，以及配置小幅變化的 PSP 3000 。不光廢掉了之前的破解，也堵死了神奇電池刷機這條路。v3 主板在黑客面前堅持了大約 1 年時間，然后又一次栽在了圖片漏洞上。自制系統繼續平推，直到 PSP 生命周期終結。

這中間還有一起悲劇。借助《王國之心：夢中降生》的破解，A9VG 論壇大神 liquidzigong 和他的普羅米修斯固件迅速流行開來。但幾個月后，為了維護正版銷量， liquidzigong 決定不會第一時間放出《怪物獵人3 攜帶版》相關破解，而是要等到首周銷量公布之后。

由于游戲熱度過高，上了頭的伸手黨們紛紛開始攻擊 liquidzigong ，更有人試圖對他進行人肉搜索。最終導致 liquidzigong 宣布退出 PSP 破解屆，并要求各組銷毀此前用于漢化的破解版游戲和固件。

（這個帖子中的兩項要求均未被遵循）

固件和游戲最終還是泄露了出來，可這段中國 PSP 破解圈子的輝煌歷史，就這樣迅速迎來了黯淡結局。

官方維修終止、v3完美破解……PSP迎來最后結局

在生命末期， PSP 推出了兩個極端的改型。上市天價的 PSP GO ，和一個不太為人所知的超級廉價款，PSP E1000。前者由于售價太高，且不支持 UMD ，一開始飽受惡評。而后者則因為閹割掉了 WiFi 模塊無法聯機對戰，并未掀起太多波瀾。

（末期超廉價型號 E1000 ）

接下來，整個 PSP 系統開始穩步走向終點：2011 年， PSP 收到 6.60 系統推送，并被迅速破解。PSV 也在這年發布， PSP 進入壽命倒計時。2014 年， PSP 徹底停產，在線商店關門大吉。同年 3 月 31 日，PSP-1000、2000 型號維修服務終止。

2015 年，索尼不知為何突然發布了 6.61 系統，但幾乎沒造成什么影響。之后在 2016 年情人節，開發者 Davee 放出 Infinity 固化破解雜交系統，除 PSP E1000 外均可使用。v3 主板在上市 8 年后，終于迎來可關機的完美破解。

2016 年 4 月 21 日，乙女向游戲《諸神的惡作劇 InFinite》發售，這是登陸 PSP 最后一款游戲。盡管在這之后，《劍、魔法與學院 3》曾試圖在北美打破這個記錄，但最終還是取消了計劃，只上了 PSV 平臺便草草收場。同年 8 月 1 日，PSP Go 維修服務終止。

直到今年 9 月 30 日，PSP-3000 系列官方維修服務宣告終止，一個時代正式落幕。但黑客還沒有放棄努力。上個月 10 號，Davee 終于放出了支持 PSP E1000 的 Infinity2.0 系統。PSP 破解史，也同樣劃下完美句點。

你喜歡的游戲都還在：戰神系列本來就是索尼的看家招牌，PS4 上的新作也備受玩家好評（雖然瘋狂鍛煉手速的 QTE 小游戲被砍了很可惜）。至于怪物獵人系列，在卡普空反復叛教后已經網游化，不光 PS4 和 XBox ， Steam 上也玩的到。

親手發布了 PSP ，并為全球索粉貢獻了一堆表情包的平井一夫先生，今年初宣布榮休。

那掌機戰爭呢？PSP 屹立不倒，NDS 系列銷量碾壓，但這里沒有贏家。智能手機掀起的巨大浪潮，瞬間把整個掌機市場拍在了沙灘上。索尼曾對 PSP 寄予“ 21 世紀 Walkman ”的厚望，但最終奪走這個稱號的，是喬布斯和他的 iPhone 。

歷史的有趣，往往在于分岔之處。

2008 年，PSP 開始帶有 Skype 網絡電話服務，可以通過 WiFi 撥打網絡電話。2011 年 3 月，索尼愛立信推出幾乎復刻 PSP Go 外形的手機 Xperia PLAY ，這應該是已知最早的安卓游戲手機。而在 iPhone 3Gs 于 2009 年推出前，當時已經賣掉 5000 萬臺的 PSP ，可能一直是圖形性能最強的手持消費電子產品。

索尼離那個統治世界的正確答案，曾經只差一步。

這款即將發售的最硬核高達游戲，我該如何入坑下

「雖然游戲已經到貨根本無心上班，但該填的坑還是要填的。」

這是上一期“這款即將發售的最硬核高達游戲，我該如何入坑（上）”的傳送門，如果還有朋友沒有了解過《高達VS》系列“黃金的第一世代”和“鉆石的第二世代”，可以看看。

就和上一期結尾中提到的那樣，《高達VS》的前兩個世代，一個是白手起家坐擁市場的開創者，另一個則是敏銳感受到市場變化的優秀繼承者，憑借著《高達SEED》人氣的高漲和商業上取得的巨大成功，《高達VS》也成為了當時高達粉絲群體中口碑最好的動作對戰游戲。

而在2006年推出《機動戰士高達SEED：聯合VS扎夫特Ⅱ》的2年后，當時同樣有著不俗人氣的《機動戰士高達00》剛完結了第一季，所有粉絲都在猜想《高達VS》的下一部作品“機動戰士高達00：天人VS地球聯邦”是不是快要來了。

當年3月正式上市基于SYSTEM246基板的第三世代《高達VS》作品《機動戰士高達：高達VS高達》（以下簡稱《高VS高》）完美地向玩家翻譯了“什么叫tm的驚喜”。

突破天際的第三世代

從0079到0093，從UC紀年到平成的WGX三部曲，再到最新的SEED和00，光是登場機體基本覆蓋高達所有正統作品的這一點，《高VS高》就已經足夠讓所有高達粉絲“群體高潮”了。

COST系統的調整和簡化也成為了《高VS高》最讓人叫好的改動，這個系統也是系列一直沿用至今的，我們可以先看看前作《聯VS扎Ⅱ》的COST是怎么算的：隊伍COST為1000，不同機體的COST不要太多了，命運高達COST是590，脈沖高達COST是450，炮扎COST是420，基恩COST是270，按照之前的隊伍組合規則，兩人COST相加需要無限趨近于1000，但又不能等于或者大于1000，COST搞那么復雜不是讓玩家在選擇機體組合的時候還要動一番腦嗎？

《高VS高》就不一樣了，隊伍總COST為6000，根據機體實力的不同，又分為1000/2000/3000這3種COST，在隊伍組合搭配上，它就簡化了許多。

不止如此，《高VS高》還加入了名為COST OVER的系統，簡單來說就是被擊墜的機體HP會按照剩余COST的比例復歸，這無疑是對于游戲平衡的大幅加強，而且在COST OVER的加成下，高配低的COST組合不再是萬能解，很多中低COST的機體也有了更多的出場機會。

除了是能滿足所有粉絲“關公戰秦瓊”的想象力，平成之后的高達作品中各路兼顧了美型和POWER的人氣機體的加入，也讓《高達VS》的整體風格繼續向著“超級系”變遷著。

首先光是格斗、射擊、特殊格斗已經不足以把新機體豐富的武裝表現全了，格斗連段也對于各種核心玩家也已經不夠滿足了，《高VS高》里又加入了“射擊鍵 噴射鍵”的特殊射擊和“射擊鍵 格斗鍵 噴射鍵”的召喚援護，用不同的射擊武裝進行交替攻擊，也能取消部分射擊動作的硬直，形成射擊連段。

拿元祖RX78舉例，它可以在主射光束步槍之后接副射火箭筒，在火箭筒之后又可以接特射光束標槍投擲。

也是從《高VS高》開始，很多機體的特格和特射都已經同“格斗”和“射擊”沒有關系了，比如Z高達的特格是緊急變形推進，強襲高達的特射是武裝換裝，對于原作黨來說，每一臺機體都有著異常還原的武裝和設定，但卡普空在“還原設定”和“易于上手”之間沒辦法掌握好平衡，《高VS高》新鮮是一回事，玩家的評價又是另一回事了。

玩家對于《高VS高》的評價并不算好

這里還是要插一個小故事，當時《高達VS》的玩家之間一直流傳著一個“1bug6強”的說法，其中1BUG指得是《高VS高》里COST值3000的自由高達，它有多BUG？

自由高達的特射是“取消覺醒”，作用是可以在高速移動中取消幾乎所有動作的硬直，而它還有個“爆種”的能力，發動之中幾乎所有動作都能取消其他動作的硬直，這就好比是你這邊手里拿著火繩槍步槍，但好歹可以通過三點射擊的方式彌補了射速的不足，結果發現對面那小子拿出了加特林。

在維基上，玩家稱當時的自由是“最兇最惡”的機體

如果這么說你還沒辦法理解自由高達在《高VS高》里有多強的話，在2008年的全國大賽上，當時大賽邀請到了阿姆羅的聲優古谷徹作為嘉賓，在當時大賽中，每一支隊伍都必備一臺自由（沒有之一），引發了古谷徹先生的疑惑，當時古谷徹還親自下場開始RX78元祖高達和這些玩家進行了一場友誼賽，結果可想而知，這次大會被冠以了“全國大會的悲劇”之名，最終讓賽事舉辦者和卡普空都非常尷尬。

其實當時卡普空在制作《高VS高》的時候，并不是沒意識到自由高達“取消覺醒”和“爆種取消”的強力，自由高達的血量是3000機里最低的，只有550，但就和夏亞的那句名言一樣：“再強力的攻擊，只要打不到就沒有意義”，血再少，只要機動能力夠強不被打到就沒有關系。

而對于自由高達這種“勇者根本沒辦法擊敗的惡龍”，卡普空的解決方案就更加令人玩味了。

2009年的3月，《高VS高》的加強版《機動戰士高達：高達VS高達NEXT》上市了，它移植PSP平臺的《高VS高NEXTPLUS》應該是國內《高達VS》玩家里知名度最高的了。

在《高VS高NEXT》里，卡普空高調地宣布了“我們解決了自由太BUG的問題”，用得方法是“這下所有機體都是惡龍了”。

游戲引入了一個名為“NEXT DASH”的系統，它讓所有機體的幾乎任何武裝和動作都能通過Boost Dash（BD）取消硬直，甚至不需要前作中自由“特射”或“爆種”那樣的條件。而這種“AA的BB太強了，我們讓所有機體都能BB”不就行了的操作，今天的文章里應該還能看到好幾次。

NEXT DASH的引入，可以說是《高達VS》這個系列徹底往核心玩家向發展的分水嶺，在此之前，《高達VS》更像是一個考驗配合和需要玩家對局勢進行判斷，操作和策略并重的對戰游戲，從這之后，《高達VS》已經有了一些傳統格斗游戲圈子的“屠夫可以隨意吃肉的惡臭味兒”。

只要反應和手速夠快，那你肯定能比對手更先出招，出招后的硬直也更小，再加上高手玩家對于新手玩家技術的絕對碾壓，《高VS高NEXT》已經沒有了“非常考驗配合的2V2對戰”和“老少咸宜”的味道。

《高達VS》的第三世代可以說是這個系列充滿爭議的2年，一方面能有一次大刀闊斧地對參戰作品進行改革，讓這些系列成為真正的“高達VS”，這是所有高達迷們都喜聞樂見的；

客觀地看，我們也并不能說《高VS高》的核心化，勸退一部分輕度玩家是不對的，畢竟作為卡普空出品的游戲，《高VS高》并沒有辱沒了“動作天尊”的名聲。所以現在的我依然覺得第三世代的素質是突破天際的。

縫縫補補又三年的第四世代

要說第三世代唯一讓人有些不滿意的地方，應該是2009年的時候PS3都上市3年了，《高VS高NEXT》用的還是PS2的System246基板，畫面表現力實在難以和時代接軌。

所以在2010年9月，基于PS3的互換基板System 357的第四世代《機動戰士高達：EXTREME VERSUS》（以下簡稱《高達EXVS》）終于在粉絲的期待里上市了。

無愧于《高達VS》10周年的紀念之作，大幅強化的畫面表現，數量更多，涵蓋更多登場作品的機體，得益于網絡便利，可以進行在線更新調整機體平衡性，最終實現了整個《高達VS》系列最平衡的一作《高達EXVSFB》。這其中還有一個小插曲，《高達VS》的前三個世代的游戲制作都是由萬代方出制作人，卡普空出主力的形式合作完成的，而第四世代萬代南夢宮組建了一個新的小組—VSTG PROJECT，并制作之后所有的《高達VS》系列游戲。

結果也是好的，雖然沒有動作天尊的監督，第四世代《高達EXVS》的動作體驗依然是最頂級的。第四世代的作品是最多的，《高達EXVS》→《高達EXVS：FB》→《高達EXVS：MB》→《高達EXVS：MBON》→《高達EXVS2》，這幾部作品的大致進化是這樣的：

《高達EXVS》：格斗動作可以通過step取消，會有彩虹色特效，俗稱“虹格”，讓偏格斗的機體們有了放心當沖逼的資本；

《高達EXVS：FB》：加入了2500COST的機體，所有機體操作進一步繁瑣化，前作只有格斗有“方向鍵 指令鍵”區分不同的動作，本作多了“橫特射”“后特格”等更多的招式派生；

《高達EXVS：MB》：加入了1500COST的機體，覺醒系統基本成熟，分為“S覺（強化射擊）”和“F覺（強化格斗）”，在機體血量變低時還會有提升能力的OVER Drive（并不是波紋疾走！）模式；

《高達EXVSMB ON》：系列首次實現了在街機上也能和聯網對戰的功能，同時增加了一個強化回避能力的“E覺”。

《高達EXVS2》：基于全新的基板System BNA1制作，畫面表現提升，加入了強化機動力的“M覺”和快速回復BD槽、殘彈量的“L覺”。

制作組對于《高達VS》系列該如何變得更加平衡和有趣的解讀非常簡單：哪臺機體的什么武裝很破壞平衡，那我們接下來讓所有機體都能用就行了。

比如游戲里有一個名為“下落取消路線”的走位技巧，因為BD的瞬間機體會有一個速度大幅提升的前沖，但很快這個沖刺速度會慢下來，而機體落地之后的硬直時間是根據BD槽的余量的減少而變大的。

這個技巧則是通過在BD最大速度中取消BD，并按跳躍讓機體上升，利用BD沖刺的慣性落地，做到不消耗BD槽而大幅度移動，且落地硬直最小，根據BD后跳躍是否回推搖桿，和推搖桿的方向，這個技巧還有各種“大跳、小跳”的細分。

機體在空中時BD槽是不會回復的，在空中待得越久，也越容易成為靶子，下落取消路線就是解決這個成為靶子問題的關鍵，比如獨角獸高達，可以通過在空中使用援護攻擊 主射快速縮短滯空時間并下落。

而在后期作品《高達EXVS：MBON》和《高達EXVS2》中，后續更新的機體基本都帶有這種“下落取消路線”功能，在被稱為“第五世代”的《高達VERSUS》（已經變成一個笑話了，不提也罷）中，更是有一個名為Boost Dive的系統，滯空時簡單推右搖桿就能快速取消動作硬直并下落。

也正是這種“什么強就全面實裝”的平衡做法，已經讓更多玩家都無法駕馭《高達VS》這頭巨龍了。

讓我們總結一下，截止最新作《高達EXVS2》，一個玩家光是入門該會什么吧？

基礎操作依然不復雜，一個負責移動的搖桿，格斗、射擊、噴射、切換鎖定，4個基礎功能鍵。

副射擊、特殊格斗、特殊射擊、援護召喚，組合功能鍵的數量更多，很多機體還有強力的“蓄力武裝”，在2500COST往上的機體里，大部分還都是有“射擊蓄力”和“格斗蓄力”兩種的。

別忘了還有各種“方向鍵 指令鍵”的派生招式，一個對戰游戲中，玩家能準確熟練搓出對應的招式并不是什么高深的技術要求吧？

你得熟練掌握自己想要用的那臺機體的各種“取消路線”，包括但不限于射擊連段、下落取消、BD取消，畢竟拿著火繩槍肯定打不過全自動步槍吧？

光是這樣還不夠，作為一個對戰游戲，你對面是活生生的玩家，你對機體性能的了解需求是雙向的，你也得知道對面的機體能干什么，而現在登場數量最多的《高達EXVS：MBON》有183臺機體，去除一些不熱門也不強力的機體，你要深入了解的機體數量也在60臺以上。

這是中文維基上牛高達的攻略，是不是有一種分開看都能看懂，組合在一起又完全不知道講什么的味兒？

現在知道為什么我會覺得《高達VS》系列才是高達游戲里最硬核的那一個了吧？

發展到現在，《高達VS》這個游戲圈子已經完全核心玩家化了，就拿我舉例子，在上學那會兒，基本上每個有PSP的朋友都會裝一個《高達VS高達NEXTPLUS》，有空大家總會拿出機子打上幾把。

但現在，我身邊已經很少有接觸過《高達EXVS》并且還在玩的朋友了。

如果問我PS4版的《高達EXVS：MBON》值不值得買？我的答案是肯定的，畢竟逆移植自街機的本作可以說完美超越了“原汁原味”，原版基本上已經可以說是現在能玩到的最好的《高達VS》了，而PS4版機體數量更多，街機模式、網絡對戰模式、自由模式等，可玩內容相比原版也更為豐富，任何一個高達迷都不該錯過它。

但如果你要問我如何才能快樂地進行網絡對戰，我也只能勸你：不要加群、不要加群、不要加群！找幾個水平差不多，知根知底的好友一起玩，才能獲得最好的網戰體驗，畢竟誰也不想碰見一個喊著“我也是萌新，大家一起交流進步”，在網線對面卻是提著刀，留著口水想虐新的屠夫吧。

我真的玩了AI繪圖做的游戲，不過和我想的不大一樣

作為素材庫的AI繪畫

AI繪畫的話題，只要你是在今年網上沖浪過，就能或多或少看到它的消息。

沒辦法，畢竟這玩意兒看起來實在是有點，怎么說呢，“行業革新”？

遠了不說，就拿畫畫舉例，這本來是個非常有技術含量的活兒，至少在我短暫的學習素描的那段小學生涯，日復一日的枯燥排線讓我滿腦子想著和院子里的其他小孩一樣聚成一坨玩PSP，三心二意的我自然沒學成素描這門手藝，而我學水彩畫的表弟認真搞了兩年，拿出的作品就已經可以讓我高攀不起。

——說了這么多，其實就是想用自身的經歷來證明一下，作為一門手藝活，畫畫的門檻還是蠻高的，也許邁出一步不難，但貴在堅持。

就這樣一個我學習過并且失敗在半途中的一門手藝，我還清楚的知道它的難處的情況下，我現在可以用軟件就能畫出遠超我表弟水平的畫作（如果再加上一點PS技術將是薄紗），在我個人的視角下，這實在是太具有科學的魅力了。

在繪畫比賽中拿到第一的AI繪畫作品

所以當我看見網友們源源不斷產出各類藝術風格的圖片時，我不禁想，把這些AI繪制的圖片，整到游戲里效果會怎么樣？

說干就干，雖然我可能不是第一批想到的，但我很快付諸了行動。

我并沒有制作游戲那兩下子，但好在我最近沉迷于DND跑團（又名龍與地下城，通俗來講是一款角色扮演桌游），作為這款桌游的主持人（DM），我只要有著一個編排好的劇本，就可以帶領我的玩家度過一個美好的休息日下午——這給我利用AI繪畫提供了基礎。

我先是作為新手制圖師在軟件里一通瞎研究下，整出了這樣一個角色立繪：

這個角色的模樣讓我即刻擁有了一個“力量來自于核心寶石的神秘生命”的人設，然后我讓這個角色給玩家發布了任務，內容是找到他創造的其他三個同類型的神秘生命，交涉或是擊殺帶來它們的核心寶石（雖然這么說，我的玩家都是直接踢門莽穿），將這位胸口上的項鏈填滿。

有了這個故事脈絡，其他幾位出場角色也在AI繪畫的幫助下很快的完成了。

只有兩個角色其實是我的一點劇情設計，各位老哥無需糾結

就這樣，我用AI繪畫，簡單的用一個下午就制作出了一款“游戲”，并且給幾位玩家提供了足足兩周（游戲時間15個小時）的美好游戲體驗，他們表示“DM這次的反派居然還給立繪了，找畫師沒少花錢吧”，在我說出其實是AI繪畫后還讓我享受了一番他們的“驚訝”。

不過我的玩家所說的，倒也是許多玩家的普遍想法，在如今這個大家越來越重視的版權意識的時代，諸如角色的立繪，地圖的場景，甚至是一些劇情的銜接CG，大多都是要花錢的。搞游戲開發的小伙伴們都知道，做游戲最燒錢的就是美術部分，目前市面上接近一半的原畫崗位都是游戲公司提供的。

這時候看來，AI繪畫這門技術可以“革新”的，就不只是畫畫這一個行業了。

“首個”AI繪畫AI配音的同人GALGAME游戲《夏末彌夢》Demo很快就出現在了大家的視野中，雖然我不清楚這作者自詡的“首個”是否準確，但它的確是包括我在內的很多玩家見到的第一個由AI輔助創作的游戲。

作者本人介紹說，《夏末彌夢》從想法成型到DEMO完成僅花費了3天，游戲中的角色是以VTB彌希Miki為藍本再由NovelAI生成的AI繪畫，而語音部分則是由VITS（一款AI語音工具）合成的AI配音，這在當時讓許多人期待著AI繪畫游戲的未來。

但說到底，《夏末彌夢》依舊只是把AI繪畫當做素材庫來使用，并沒有把“雞”和“籃球”結合起來思考。

如今過去了幾個月，在貢獻出一批又一批的新時代澀圖后，AI繪畫的其他能力終于有人慢慢的開發出來了。

擺脫了素材庫的身份，AI繪畫的可玩性依舊十足

想擺脫AI繪畫的素材庫身份，就要搞清楚AI繪畫真正吸引人的地方在哪里。

AI繪畫作為一個軟件，通過你輸入的標簽，在一個對比畫師來說極短的時間內生成數張符合你要求的圖片，并根據你的后續的進一步要求改進畫作細節與輪廓——這是顯而易見的使用者與工具的身份，遲鈍的我并看不出什么更新穎的東西，所以上面介紹的我制作的“游戲”也只不過是單純的使用工具罷了。

名為“莉蘿愛蘿莉”的紳士UP主也想用AI繪畫整個游戲，與我不同，他的確會一些游戲制作相關的知識，他最開始就盯上了AI繪畫的優勢——可以短時間內生成大量插圖與立繪，于是他很快聯想到了需要大量插圖與立繪的抽卡手游。

但在他花了一天時間生成了種類繁多的原畫CG后，他意識到了這樣下去，無非是給市場提供了一款換了個皮的垃圾抽卡手游而已。于是他轉變方向，打算制作其他類型的游戲，只用AI繪畫提供素材——但這又回到了最開始的節點，他想做的是一款AI繪畫游戲，而不是僅僅把它當一款素材庫。

圖為B站視頻“我做出了第一個以AI繪畫為核心的二次元游戲！”

在他的視頻中，他分享了自己的一段夢。

“夢里有一個聲音在和我說話，它說小兔子，我的面前出現了一只毛絨絨的小兔子；它說小鹿，我的面前出現了一只玻璃雕塑的梅花鹿；最后，那個聲音輕輕的喚出了我的名字。”

在夢醒后，他明白了AI繪畫真正的優勢——每一張圖生成都是隨機的，因此又是獨一無二的。換句話說，如果這是在你手機上實時隨機生成的游戲插畫，那么這張插畫就是只有你一個人能享受到的專屬體驗。

明確了這點的他，很快就盯上了與“獨一無二”適配性最好的Roguelike游戲，他以自己曾經制作的一款半成品游戲為基礎，做出了一個屬于AI繪畫的獨特板塊——玩家在用卡牌戰勝敵人后，可以設定tag并抽卡，獲得屬于你的專屬卡牌。

出于游戲性，作者把這里設置成二選一

之后作者還加入了諸如“通關游戲后，可以選擇一張在本局獲得的卡牌加入收藏”一類的收集要素，找到了方向的他也越來越順手。

與“莉蘿愛蘿莉”相反，制作過究極縫合怪游戲《創世理想鄉》的 Pocketpair 看到了AI繪畫的另一個可能性——除了養老婆畫澀圖，這玩意兒很適合整活啊。

他們將AI繪畫與一款在桌游屆與綜藝節目里非常火的“誰是臥底”結合起來，制作了一款名為《AI: Art Impostor》的游戲。

不光縫，縫的還很坦然

在《AI: Art Impostor》中，游戲會隨機數個主題給四名玩家投票選擇，在確定主題后，會隨機發放一個詳細命題，其中有三位藝術家可以收到這個命題，而假藝術家只能看到所有人可見的大選題。

例如在這局游戲中，我們選擇了“食物”作為主題，身為藝術家的我們，則收到了詳細命題“意大利面”。

接下來就是游戲有趣的部分：玩家需要選擇自己心儀的畫風，然后使用內置的AI作畫，描述你想要給出的畫面，比如這里我給出了“意大利威尼斯海岸邊上的餐廳”作為生成詞，并在輪到我的時候選擇公示的照片，通過每位玩家的招牌來判斷，他是否是知道命題的藝術家。

有意思的是，由于使用的AI繪圖軟件中有大量澀圖的內容

所以游戲經常會給一些生成的圖片打上重重的馬賽克——君子你也防？

這位畫出了番茄的朋友，很明顯就是友軍了

畫風的選擇多種多樣

即使在最后的投票界面，我們投票找出假藝術家后，假藝術家還有一次“究極大逆轉”的機會。他可以在系統給出的十余個選擇中選出隱藏起來的那個詳細命題，如果各位藝術家們畫作過于暴露，假藝術家在這里選對了答案，那么游戲依舊會判定假藝術家獲勝——這讓這款游戲一瞬間爾虞我詐了起來。

雖然剛發布幾天的這個游戲由于網絡原因，在中國游玩的玩家經常會卡到無法正確生成圖片，但游戲的確是支持中文以及支持中文輸入關鍵詞用來生成圖片的，想來給制作組一點時間解決了這個BUG，玩家會越來越多。

不過從上面介紹的兩款游戲中也能看出，現在對于AI繪畫的使用已經慢慢有人脫離的傳統思維的桎梏，無論是紳士組還是整活組，都在探索者AI繪畫對于游戲界的可能。

這讓我非常期待下一次能聽到AI繪畫帶來什么好消息——比如整個AI繪畫壁紙軟件之類的。

CVPR 2018 中國論文分享會 之人物重識別及追蹤

雷鋒網 AI 科技評論按：本文為 2018 年 5 月 11 日在微軟亞洲研究院進行的 CVPR 2018 中國論文宣講研討會中第三個 Session——「Person Re-Identification and Tracking」環節的四場論文報告。

圖森未來王乃巖博士做了第一個報告。在行人重識別中，不同的圖片對行人的識別率不同，那么到底需要幾幀圖片才能夠準確地判別一個人的身份呢？王乃巖博士針對這個問題，提出了一種自適應強化學習模型，也即自動學出做出準確判斷所需要的幀，其結果顯示只需要視頻流的 3%-6% 即可獲得最好的結果。而事實上這可以作為一種通用的方法用在別的研究任務中。

第二個報告由來自北京大學特聘研究員張史梁介紹他們在行人重識別研究中對「數據對性能的影響」的思考。他們發現，盡管在特定數據集中許多方法能夠達到超越人類的水平，但是在實際應用中卻表現極差。原因是，目前公開的數據集在數量、場景、時間段、光照等維度都過于單一；且由于不同數據集收集時的標準不同，很難實現跨數據集的研究和應用。基于這樣的思考，他們花費很大精力構建了目前看來最大的多場景、多時間段、多光照強度的數據集 MSMT17；此外，他們還涉及了 PTGAN 網絡，用于將不同數據集的風格進行融合，以達到相互利用的目的。

隨后是由港中文-商湯聯合實驗室的李鴻升教授介紹了他們在行人重識別研究中的新視角。李鴻升教授在今年的 CVPR 中共有 7 篇入選論文，這里他只介紹了其中兩篇。第一篇為 oral 論文，他們考慮到圖片之間具有組相似性，而現有的方法大多忽視了這種相似性；基于這種思考，他們提出了用組相似性的約束的全局 loss 函數，取代了之前只是基于局部的 loss 函數。第二篇論文中他們發現圖片背景對模型重識別行人有很大的影響。

最后由來自商湯科技的武偉博士介紹了他們在目標追蹤方面的工作。基于實際安防監控工作的需要，他們設計了一個利用孿生（Siamese）網絡和區域候選網絡（Region Proposal Network）構建的高速且高性能的單目標跟蹤算法。該算法在 VOT 2016 和 VOT 2017 數據集上都取得了 state-of-art 的結果。

雷鋒網注：

[1] CVPR 2018 中國論文宣講研討會由微軟亞洲研究院、清華大學媒體與網絡技術教育部-微軟重點實驗室、商湯科技、中國計算機學會計算機視覺專委會、中國圖象圖形學會視覺大數據專委會合作舉辦，數十位 CVPR 2018 收錄論文的作者在此論壇中分享其最新研究和技術觀點。研討會共包含了 6 個 session（共 22 個報告），1 個論壇，以及 20 多個 posters，雷鋒網 AI 科技評論將為您詳細報道。

[2] CVPR 2018 將于 6 月 18 - 22 日在美國鹽湖城召開。據 CVPR 官網顯示，今年大會有超過 3300 篇論文投稿，其中錄取 979 篇；相比去年 783 篇論文，今年增長了近 25%。

更多報道請參看：

Session 1：GAN and Synthesis

Session 2: Deep Learning

Session 3: Person Re-Identification and Tracking

Session 4: Vision and Language

Session 5: Segmentation, Detection

Session 6: Human, Face and 3D Shape

一、將增強學習引入行人重識別

論文：Multi-shot pedestrian re-identification via sequential decision making

報告人：王乃巖，圖森未來，首席科學家

論文下載地址：https://arxiv.org/abs/1712.07257

所謂行人重識別任務，即將來自多個攝像頭的不同軌跡中的行人（例如多張圖片或者視頻圖片）進行身份識別。這在安全領域中的視頻分析、視頻監控具有廣泛的應用基礎。在實際中多張圖片能夠提供豐富的信息，但是同時也帶來了大量的冗余，甚至潛在的噪聲。解決這一問題的關鍵在于如何將多張圖片中的特性進行聚合。

1、背景

目前實現特性聚合的方法主要有兩類。一類是 feature pooling，也即將每一幀圖片的特性提取出來后，在對所有幀的特性進行 pooling，從而提取出 frame level 的特性。另一類方法是時序模型，也即假設圖片之間存在時序，然后使用光流/LSTM 的方法對 frame level 特性進行融合。

王乃巖在這篇被 CVPR 2018 接收的文章中考慮到，行人重識別應當對不好的檢測（例如重影）或遮擋具有更高的魯棒性，同時對不同圖片中行人的識別有一定的彈性。

如上圖所示，左側兩張圖片可以很容易檢測出是否是同一個人，因此期望設計出的模型只是用一對圖片做判別即可；而另一方面，右側的圖片，由于遮擋、模糊的原因，一對圖片很難判斷是否是同一個人，因此希望模型能夠自動地選擇適量的圖片對進行行人身份判斷。

2、方法

基于上面的考慮，王乃巖團隊提出了一種稱為「自適應強化學習」（Adaptive Reinforcement Learning）的模型，如下圖所示：

這里有幾個關鍵點需要特別指出：

（1）Actions。圖片對生成的 feature 送入 agent 后，agent 將作出三種判斷：same，different 和 unsure。當判斷結果為 unsure 時，就會返回到開頭重新進行判斷。

（2）Reward。如果目標圖片與 ground truth 圖片匹配，那么獎勵為 1；如果不匹配，或者盡管還不確定但所有的圖片都已經對比完了，那么獎勵為-1；否則，當圖片對還沒有對比完且也沒有確定是否匹配，那么獎勵為 r_p。顯然這里 r_p 大小的設定影響著獎勵的結果，如果設置為負值，那么它會因為請求更多圖像對而受到懲罰；而當設置為正值，它就會被鼓勵收集更多的圖像對，直至對比完所有的圖像，此時 r_p 會被強行設置為-1。

（3）輸入 agent 的 feature，除了學習到的當前圖片的 image features 外，還利用了歷史 feature（也即前面的判斷結果，進行加權平均）和手工設計的距離 3D feature。

（4）學習算法為比較經典的 DQN，學習得到 Q-Value 以判斷兩張圖片中的人是否是同一個人。

3、結果

這張對比結果是，當設置每個 episode 中圖片對的最大數量（例如 4 對）時，ARL 方法相比 baseline 的結果。可以看出即使使用少量的圖片對也能在 CMC Rank 中取得極好的分數。

這張圖片可以從定量的角度來看該模型的優點。當設置視頻流包含 200 張圖片時，ARL 方法只用 3 - 6 張圖片即可達到近似于使用全部圖片的效果。

最后展示一下，訓練過程中 same、different、unsure 三個 state 分數的變化。左側的圖顯示了對不同的圖片判斷結果所需要的圖片對數量也不同，模型能夠自適應選擇。右側是相應的分數變化。

4、總結

這篇文章算是首次嘗試將增強學習方法引入到 multi-shot 重識別問題當中，其結果顯示可能只需要所有圖片（例如視頻流）中的 3%-6% 的圖片即可獲得最好的結果。可能這里更為關鍵的是它可以使用到 single-shot 重識別問題中。據王乃巖表示，這種方法除了能夠用于行人的重識別外，或許也可以作為不確定估計的一種通用方法。期待他們接下來的研究成果。

二、最大、多場景、多時間段行人數據集

論文：Person Transfer GAN to Bridge Domain Gap for Person Re-Identification

報告人：張史梁，北京大學

論文下載地址：https://arxiv.org/abs/1711.08565

這篇文章可能提供了最大的多場景、多時間段的行人數據集了。

從 2005 年行人重識別任務首次提出后，經過 2014 年深度學習被引入該領域，行人重識別的研究得到大量的研究（例如 CVPR 上行人重識別的文章從 2014 年的 3 篇劇增到今年的 32 篇），在這些研究中各種模型所表現出的性能也逐步提升，在今年的一些數據集（例如 CUHK03、Market501）上一些方法的表現甚至超越了人類。

1、行人重識別真的超越人類了嗎？

一個讓人不禁產生的問題是：我們真的已經解決行人重識別的問題了嗎？

事實可能是并沒有。對比大多數實驗中所使用的數據集和真實世界的數據集，就可以發現仍然存在著很大的差別。例如下表中的五個已有的公開數據集 Duke、Market、CUHK03、CUHK01、VIPeR 與真實世界數據集的對比：

可以看出這些公開數據集有以下幾個問題：數據量小、場景單一（indoor 或者 outdoor）、相機數量少、時間短、光線條件單一等。

此外，在實驗中大多數情況下，訓練數據和測試數據的數量都接近于 1 : 1。但是在現實世界的數據中，訓練數據往往只占全部數據中很小的一部分，因此在實驗中表現良好的模型放到真實世界中可能并不能獲得很好的效果。

2、如何進一步促進？

有了以上的考慮，怎么才能夠進一步促進行人重識別的研究，以便能夠在現實生活中加以應用呢？

第一個想法就是：我們需要有更加真實的數據集。這個數據集的采集應該更加接近真實世界，也即有更多的行人、更多的相機、更多的 bboxes，同時也應當有復雜的場景（既有室內也有室外場景），更加重要的是要還要有不同時段和不同光照下的數據。

解決訓練集和測試集嚴重不均衡的問題，張史梁等人認為一個可行的思路就是重用已有的標注數據。例如在 PRID 中訓練集較少，那么可以利用 CUHK03 的數據集進行訓練，然后在 PRID 中進行測試。但是這種方法并不像想象的這么容易，例如上面的例子，Rank-1 精度只有 2%。思考其背后的原因，可能是因為在這兩個數據集中有不同的光照、背景、相機參數等。

基于這兩點考慮，張史梁等人做了兩項工作，首先是構建了一個大型的多場景多時段的數據集 MSMT17；其次構建了一個 Person Transfer GAN，用于將不同的數據集進行融合，以便在同一個任務中使用。

3、數據集MSMT17

從上圖中可以看出 MSMT17 的相比于其他數據集的一些優勢。構建這個數據集共使用了 15 個相機，其中 12 個為 outdoor，3 個為 indoor；總共收集了 180 個小時的數據，每個月選擇天氣環境不同的 4 天，每天早、中、晚分別 3 個小時。他們選擇 Faster RCNN 對這些行人進行 bounding box detection，這個標注過程花了兩個月的時間，一共有 126441 個 body boxes。為了模擬真實世界中的環境，他們選擇了 4101 個對象，其中 1041 個人用作訓練，3060 個人用作測試。該數據集目前已經公開，可以說是該研究領域最大的數據集。

感受一下 MSMT17 數據集中的一些案例：

這里有光照的變化、場景和背景的變化、多樣的姿態以及遮擋物等多種復雜條件。

4、PTGAN

這個 GAN 網絡的目標就是將一個數據集 A 上的風格（包括背景、光照、照相機參數等）轉化為另一個數據集 B 的風格，轉換完之后則可以使用數據集 A' 作為數據集 B 的訓練集。這里要保證兩個方面：第一，變換后的風格符合數據集 B 的風格；第二，要保證變換前后人的身份信息不變。

張史梁等人提出的 person transfor GAN（PTGAN）如下圖所示：

PTGAN 的訓練過程主要由兩個 Loss 來約束。

第一個是 Style transfer，即 A 經過 transfer 后風格盡可能和 B 相似，這是一個 unpaired image-to-image translation 任務，因此它就直接采用了 Cycle-GAN 的 loss 函數。另外一個就是 ID loss，保持身份盡可能地不發生變化，這里采用了 PSPNet 的 loss 函數。下圖是三種 GAN 模型作用在輸入圖片上的結果對比：

下面變換前后的對比圖之一，從 CUHK03 到 PRID-cam2 的變換：

用變換后的數據訓練訓練 GoogLeNet，然后在 PRID 數據集上進行測試，結果如下表：

可以看到經過變換后的表現得到了大幅度的提升，例如 CUHK03 - PRID cam1 實驗中，Rank-1 分數從原來的 2.0% 一下子提升到了 37.5%。

5、總結

能夠適用于真實環境中的行人重識別模型才是真正的好模型，為了實現這點，張史梁等人提出了兩種方法。一方面他們構建了一個目前來講最大的近似真實世界的數據集 MSMT17；另一方面他們希望能夠通過數據風格遷移在不同的數據集之間搭建一個橋梁，提出了 PTGAN 模型。

相關代碼和數據：https://github.com/JoinWei-PKU

三、行人重識別中的背景影響到底有多大？

報告題目：Towards More Robust Person Re-identification with Group Consistency and Background-bias Elimination

報告人：李鴻升，港中文-商湯聯合實驗室

論文：

1. Group Consistent Similarity Learning via Deep CRFs for Person Re-Identification (oral)

2. Eliminating Background-bias for Robust Person Re-identification (Poster)

李鴻升教授所在團隊在今年的 CVPR 上共有 7 篇行人重識別的論文被錄用，其中 1 篇 oral，6 篇 poster。在這次分享會上他著重介紹了上述兩篇內容。

所謂行人重識別，按照李鴻升教授的說法，即給定一個檢測圖片，依據相似性對圖片集中的所有行人圖片進行排序。這其中的關鍵問題是，如何學習行人圖片之間的視覺相似性。

1、基于組一致性約束條件的行人再識別

現有方法在通過深度神經網絡學習視覺相似性時，一個局限性問題是在其 loss 函數中只用了局部約束。例如下圖所示的 pairwise loss、triplet loss 或者 quardruplet loss：

這種局部約束的 loss 函數不能描述圖像之間的相似性。基于這樣的思考，李鴻升等人認為應當構建一種基于組別相似性的新的 loss 函數，這種函數不僅能夠描述局部相似性，還能夠描述圖片之間的相似性。

如上圖所示，局部相似性僅僅考慮兩幅圖之間的相似性，而全局相似性則考慮 gallery images 中群組之間的相似性（probe image 也可以視為一個 group）。其方法的框架如下圖所示：

共分為三步：先進性深度多尺度 feature embedding（使用了 ResNet-50 作為主體網絡），然后對圖片進行一個局部的相似性估計（得到兩張圖片 I_m,I_n 的局部預估計相似性為 t_mn），最后一步為組相似性增強。

他們假設：給定一個圖片 I_p，如果它與圖片集 I_i 相似，而圖片集 I_i 與圖片集 I_j 相似，那么 I_p 也與 I_j 相似；否則如果 I_p 與圖片集 I_i 不相似，而圖片集 I_i 與圖片集 I_j 相似，那么 I_p 與 I_j 不相似。而組相似性取決于整個圖片組。

如果記 I_p 和 I_i 之間的組相似性為 y_pi。那么基于組相似性的 CRF 模型即為：

這里組相似性應當盡可能地接近于通過 CNN 網絡估計出的局部相似性，因此有：

（unary term）

（pairwise term）

他們的實驗結果如下：

可以看出基于組相似性的重識別效果相比之前的 state-of-art 工作有顯著地提升。

2、消除背景偏差

已有行人重識別方法中，大家都是用整張圖片作為一個獨立的數據樣本去訓練和檢測，但是他們忽略了一個問題，即：行人和背景是不同的對象，在識別行人中，圖片背景會帶來偏差。如下圖所示：

與 query 圖片有相似背景但不同行人的圖片排在 rank 6，而同一行人不同背景的圖片卻排在 rank 25。那么在行人重識別中，背景到底會帶來多大的偏差呢？李鴻升等人通過在 CUHK03 和 Market-1501 數據集上使用 human parsing mask 的方法獲得了 3 類數據集：mean background、random background 和 background only，如下圖所示：

他們用原始數據集進行訓練后，在 mean background、random background 進行測試：

發現去除背景或者（尤其是）隨機換背景后，性能出現大幅度的下降。而另一方面他們嘗試只用背景圖去訓練，然后用原圖和背景圖做測試：

發現前者的表現并不差。這說明在之前深度學習模型中背景起到了相當大的影響，也同時給行人重識別帶來了偏差。

基于這種發現，他們構建了一個 Person-region Guided Pooling Network。

首先他們通過 huaman parsing 方法獲得 4 類人體 parsing map（整體、頭、軀干、腿），然后用這些 parsing map 從不同的人體區域做特征池化。他們分別對有無背景以及不同比例、on-off line 做了實驗對比：

他們發現通過 online 且隨機替換掉 50% 的原圖的背景能夠得到最好（限于對比實驗）的結果。

同時他們也將這種方法與其他 state-of-art 方法進行對比：

發現在不同數據集上這種方法的表現有顯著的提升。

4、目標檢測落地安防有待性能和速度同時提升

論文：High Performance Object Tracking with Siamese-network

報告人：武偉，商湯科技

論文下載地址：暫無

目標追蹤不同于目標檢測，首先對于追蹤的目標沒有一個預定義的分類；其次在整個視頻幀當中只有第一幀帶有標注；此外，也沒有可用于訓練的數據存在。

據武偉介紹，他在商湯主要負責安防監控方面的研發工作，之所以考慮做目標追蹤，是因為業務需要。現有的單目標跟蹤算法很難兼顧到性能和速度，只能再某一個指標上占優。但是在實際應用中則不得不考慮，在不影響性能的同時如何進一步提高速度。

基于這種業務需求，武偉等人提出了一種端到端的深度學習框架，具體來說就是利用孿生（Siamese）網絡和區域候選網絡（Region Proposal Network），構建了一種高速且高性能的單目標跟蹤算法。如下圖所示：

整體上，算法分為 Siamese 特征提取網絡和 Region Proposal Network 子網絡兩個部分。二者通過卷積操作升維，統一在一個端到端的框架里面。

訓練過程中，算法可以利用密集標注（VID）和稀疏標注（YoutubeBB）的數據集對進行訓練。相比于現有方法，稀疏標注的數據集大大增加了訓練數據來源，從而可以對深度神經網絡進行更充分的訓練；Region Proposal Network 中的坐標回歸可以讓跟蹤框更加準確，并且省去多尺度測試耗費的時間。

實驗方面，本跟蹤算法能在保持高速的情況下（160fps），在 VOT2016 和 VOT2017 數據集上取得 state-of-the-art 的結果。

(Performance on VOT 2016)

(Performance on VOT 2017)

再來看一張追蹤效果：