新智元报道
编辑：Aeneas 昕朋
如何仅凭一张图像，就让照片里的人物活过来？英伟达肖像动画新模型 SPACEx 带你体验。
现在，人工智能越来越多地用于在广泛的领域。
其中一项棘手的任务，就是从单个肖像自动生成逼真的动画。
这个任务十分复杂，一直是计算机视觉领域的一个悬而未决的问题。
而最近，英伟达团队攻克了这一难题，以巧妙的方式，使用语音和 2D 单个图像，就可以为人像制作逼真的动画了。
论文链接：https://arxiv.org/pdf/2211.09809.pdf
克服以往的弊端
SPACEx 是一种仅使用语音和单个图像，即可生成具有逼真的头部姿势的高分辨率、富有表现力的视频的方法。
它采用多阶段方法，将面部特征点的可控性和预训练面部生成器的高质量合成能力相结合。
另外，SPACEx 还允许控制情绪和强度。在图像质量和面部运动的客观指标上，它都优于先前的方法。
从下面的两个视频中，可以看出，SPACEx 对于人像的语音驱动动画，可控制输出姿势、情绪和表情强度。
在以往，图像生成动画领域最近的工作都是利用语音信号来驱动动画过程，这个过程需要学习如何将输入语音映射到面部表征。
而理想的生成视频，应该与音频具有良好的口型同步、自然的面部表情和头部动作，以及高帧质量。
在以往，图像生成动画领域的 SOTA 模型，依赖于由预处理网络组成的端到端深度神经网络架构。
这些网络可以将输入的音频序列转换为可使用的 token，以及学习到的情感嵌入，以将这些 token 映射到相应的姿势。
但是，这些方法需要特殊的训练数据，例如 3D 面部模型，而这些数据，可能不适用于许多应用程序。
而其他方法虽然适用于 2D 面部，也可以根据输入的音频信号生成逼真的嘴唇动作。
然而，当与单个输入图像一起使用时，嘴唇动作的结果会缺乏真实感，因为脸部的其余部分会保持静止，效果就很诡异。
因此，英伟达团队推出 SPACEx。
他们的目标是，以巧妙的方式使用 2D 单个图像，以克服上述 SOTA 的局限性，同时获得逼真的结果。
SPACEx 的架构
三个步骤
在 SPACEx 中，输入语音剪辑和面部图像（带有可选的情感标签），就可生成输出视频。
它使用了一个三阶段的预测框架。
第一步，语音-特征点（Speech2Landmarks）。
给定输入图像，提取归一化的 3DDFA 和 MTCNN 面部特征点（上图中的 Speech2Landmarks）。
根据输入的语音和情感标签，神经网络会使用计算出来的特征点，预测每帧的动作。但输入的语音并不会直接喂到特征点预测器。
使用 1024 个样本的 FFT（快速傅里叶变换）窗口大小，以 30 帧/秒的速度从其中提取出 40 个梅尔频率倒谱系数 (MFCC)。
第二步，特征点-潜在关键点（Landmarks2Latents）。
此步骤将每帧面部特征点译成潜在关键点（上图中的 Landmarks2Latents），供 Face-Vid2Vid 使用。这是一个预先训练的基于图像的面部动画模型。
第三步，视频合成。
给定输入图像和上一步中预测的每帧潜在关键点，face-vid2vid 生成器（一种基于图像的预训练面部动画模型）输出 512×512 像素帧的动画视频。
分成这三个阶段的方法，有很多优点。
首先，它允许对输出面部表情（比如眨眼或特殊的头部姿势）进行细粒度控制。例如，可以修改面部特征点，以引入眨眼或其他头部姿势，来输入特定的姿势或预测姿势。
此外，可以使用情绪标签调制潜在关键点，以改变表情强度或控制注视方向。
通过利用预训练的人脸生成器，我们可以获得高质量的输出视频，同时训练成本大大降低。
S2L：预测归一化面部特征点
作为视频生成的第一步，Speech2Landmarks（S2L）使用长短期记忆网络（Long Short-Term Memory，LSTM）递归神经网络来预测基于输入音频 MFCC 和输入图像的归一化面部特征点。
团队使用 CNN 和 MLP 对音频和面部特征进行编码
从第二列到最后一列对应的视频分别如下：
通过 L1 损失网络和归一化面部特征点的基准真相来训练 S2L 模型，加大对垂直运动误差的惩罚。
团队表示，在归一化空间中进行预测，对于简化音素和嘴唇运动之间的映射非常重要。
Face-vid2vid：说话人视频生成模型
在第三步，研究团队并未重新设计图像生成器，而是使用行业领先的 face-vid2vid 框架进行视频生成。该模型可以从视频中捕捉动作，通过单一图像生成视频。
Face-vid2vid 对每个输入帧预测 20 个潜在关键点。基于输入的源图像和当前视频帧的潜在关键点，face-vid2vid 预测基于流的图像扭曲。
通过将图像扭曲应用到源图像特征，该模型可以将源图像的肖像特征应用于新生成的视频中。
情绪控制
研究团队使用 FiLM 层，根据视频帧的情感调节 Speech2Landmark 和 Landmark2Latent 模型 。
对于 S2L 网络，使用 FiLM 来调制音频特征和初始特征点输入。对于 L2L，研究人员将 FiLM 应用于音频、特征点和初始潜在关键点输入。
在训练中，当数据集提供时，就使用单热情绪标签（one-hot emotion labels），当地面真实情绪（ground-truth emotions）不可用时，就使用预测的每帧情绪概率分布。
在推理时，我们可以提供所需的情感标签组合及其强度作为输入，如下一部分的动图所示。
第 2 列和第 3 列对应的视频如下：
眼神控制
英伟达团队表示，使用面部特征点作为中间表示利于视频生成，因为其允许面部特征的显式操作。例如，通过操纵眼部特征点来添加眨眼等动作。
数据集处理
基于生成的说话人视频，研究团队首先使用 3DDFA 特征识别模型，提取视频每帧 68 个 3D 面部特征点和头部姿势。
随后，研究团队使用预测的头部姿势，将 3D 面部特征转正，并正交投影到 2D 平面上。
同时，研究团队将每个帧归一化，例如固定两个耳朵之间的距离。
为获得精准眼部特征点，研究团队使用 MTCNN 模型，捕捉 52 个眼部特征，用以生成视频中人像的眼部动作，例如眨眼和凝视。
除了面部特征点，团队还使用 face-vid2vid 提取每帧的潜在关键点。给出每帧的（面部特征点、潜在关键点）对。
音频方面，团队使用 1024 个样本的 FFT（快速傅里叶变换）窗口大小，以 30 帧/秒的速度从其中提取出 40 个梅尔频率倒谱系数 (MFCC)，以便将音频特征与视频帧对齐。
同时，还使用音高转换、均衡、响度变化等方法来处理音频数据。
比以前强在哪？直接看图
以前的模型可以正面和紧密剪裁的输入图像上起作用，但如果采用任意姿势，或者用较大的剪裁，输出的视频质量就会下降，或者失败。
而英伟达的 SPACEx 是在归一化的特征点空间中预测嘴部运动，应用姿势转换，就能够处理更多的脸部图像姿势。
另外，SPACEx 还能生成缺失的细节，比如牙齿。而其他方法要么会失败，要么会引入伪影。
当音频中有呼吸声时，SPACEx 甚至还可以增加真实的头部和肩部动作。
与之前的工作相比，SPACEx 的唇部运动也更加平滑，不会像之前的工作那样，产生夸张和生硬的运动。
可以说，其他的工作中，没有像 SPACEx 这样，对输出的视频有如此大的可控性。
让我们来看看对比——
输出视频采用的方法，从左到右依次是：PC-AVS、MakeItTalk、Wav2Lip 和 SPACEx。
输入图像
输出视频
输入图像
输出视频
输入图像
输出视频 
输入图像
输出视频
输入图像
输出视频
比较一下，其他方法的问题非常明显：
-
PC-AVS 是对输入的图像严丝合缝地裁剪，并且改变输入姿势，脸部动作相当生硬。
-
MakeItTalk 的唇部动作较差，而且在输出的视频中引入了伪影。在最下面的两段视频中，有白色斑块状的伪影。
-
Wav2Lip 的设计考虑到了配音的问题。但它移动了嘴唇，而脸部的其他部分保持静止，产生的输出非常不真实。
-
而最后一栏的 SPACEx，解决了上面的所有问题。它能处理大量的输入姿势，产生逼真的嘴唇动作，和高质量的输出。
参考资料：
https://www.marktechpost.com/2022/11/28/latest-artificial-intelligence-ai-research-from-nvidia-shows
https://www.youtube.com/watch?v=ExeTeSAMR5Q
https://deepimagination.cc/SPACEx/
