一張照片+音頻=超逼真數(shù)字人視頻！VASA-1模型拉開「實(shí)時交互」大幕精華

發(fā)布于 2024-4-24 13:47

瀏覽

0收藏

在人物說話的過程中，每一個細(xì)微的動作和表情都可以表達(dá)情感，都能向觀眾傳達(dá)出無聲的信息，也是影響生成結(jié)果真實(shí)性的關(guān)鍵因素。

如果能夠根據(jù)特定面容來自動生成一段生動逼真的形象，將徹底改變?nèi)祟惻c人工智能系統(tǒng)的交互形式，例如改善有障礙患者的交流方式、增強(qiáng)人工智能輔導(dǎo)教育的趣味性、醫(yī)療保健場景下的治療支持和社會互動等。

最近，微軟亞洲研究院的研究人員拋出了一個重磅炸彈VASA-1框架，利用視覺情感技巧（VAS，visual affective skills），只需要輸入一張肖像照片+一段語音音頻，即可生成具有精確唇音同步、逼真面部行為和自然頭部運(yùn)動的超逼真說話面部視頻。

一張照片+音頻=超逼真數(shù)字人視頻！VASA-1模型拉開「實(shí)時交互」大幕-AI.x社區(qū)

論文鏈接：https://arxiv.org/pdf/2404.10667.pdf

項目主頁：https://www.microsoft.com/en-us/research/project/vasa-1/

在VASA框架下，首款模型VASA-1不僅能夠產(chǎn)生與音頻完美同步的嘴唇動作，還能夠捕捉大量面部細(xì)微差別和自然的頭部動作，有助于感知真實(shí)性和生動性。

框架的核心創(chuàng)新點(diǎn)為基于擴(kuò)散的整體面部動力學(xué)和頭部運(yùn)動生成模型，以及使用視頻來開發(fā)出這種富有表現(xiàn)力和解耦的面部潛空間（disentangled face latent space）。

研究人員還使用了一組全新的指標(biāo)對模型能力進(jìn)行評估，結(jié)果表明該方法在各個維度上都顯著優(yōu)于之前的方法，可以提供具有逼真面部和頭部動態(tài)的高質(zhì)量視頻，還支持以高達(dá)40 FPS的幀速率實(shí)時生成512×512視頻，啟動延遲可忽略不計。

可以說，VASA框架為模擬人類對話行為中，使用逼真化身進(jìn)行實(shí)時互動鋪平了道路。

VASA框架

一個好的生成視頻應(yīng)該具備幾個關(guān)鍵點(diǎn)：高保真度、圖像幀的清晰度和真實(shí)性、音頻和嘴唇動作之間的精確同步、表情和情感的面部動態(tài)，以及自然的頭部姿勢。

一張照片+音頻=超逼真數(shù)字人視頻！VASA-1模型拉開「實(shí)時交互」大幕-AI.x社區(qū)

模型在生成過程可以接受一組可選的控制信號來指導(dǎo)生成，包括主眼凝視方向、頭部到相機(jī)的距離和情緒偏移等。

整體框架

VASA模型并不是直接生成視頻幀，而是在音頻和其他信號的條件下，在潛空間中生成整體的面部動態(tài)和頭部運(yùn)動。

給定運(yùn)動潛碼后，VASA使用面部編碼器從輸入圖像中提取的外觀和身份特征作為輸入，然后生成視頻幀。

研究人員首先構(gòu)建了一個人臉潛空間，并使用現(xiàn)實(shí)生活中的人臉視頻對人臉編碼器和解碼器進(jìn)行訓(xùn)練；然后再訓(xùn)練一個簡單的擴(kuò)散Transformer對運(yùn)動分布進(jìn)行建模，針對測試期間的音頻和其他條件下，生成運(yùn)動潛碼。

1. 表情和解耦面部潛空間構(gòu)建（Expressive and Disentangled Face Latent Space Construction）

給定一組未標(biāo)注的說話人臉視頻，研究人員的目標(biāo)是建立一個具有高度解耦和表現(xiàn)力的人臉潛空間。

在主體身份改變的情況下，解耦可以對視頻中的人臉和整體面部行為進(jìn)行高效的生成建模，還可以實(shí)現(xiàn)對輸出的解耦因子控制，相比之下，現(xiàn)有方法要么缺乏表現(xiàn)力，要么缺乏解耦。

另一方面，面部外觀和動態(tài)運(yùn)動的表情可以確保解碼器能夠輸出具有豐富面部細(xì)節(jié)的高質(zhì)量視頻，潛生成器能夠捕捉細(xì)微的面部動態(tài)。

為了實(shí)現(xiàn)這一點(diǎn)，VASA模型建立在3D輔助人臉再現(xiàn)（3D-aid face reenactment）框架的基礎(chǔ)上，與2D特征圖相比，3D外觀特征體積可以更好地表征3D中的外觀細(xì)節(jié)，其在建模3D頭部和面部運(yùn)動方面也很強(qiáng)大。

具體來說，研究人員將面部圖像分解為規(guī)范的3D外觀體積、身份編碼、3D頭部姿勢和面部動態(tài)編碼，每個特征都由獨(dú)立的編碼器從人臉圖像中進(jìn)行提取，其中外觀體積需要先通過提取姿勢三維體積，再將剛性和非剛性三維扭曲到規(guī)范體積來構(gòu)建得到。

解碼器將上述潛變量作為輸入，并重建面部圖像。

學(xué)習(xí)解耦潛空間的核心思想是，通過在視頻中不同圖像之間交換潛變量來構(gòu)建圖像重建損失，但原版模型中的損失函數(shù)無法很好地區(qū)分「面部動態(tài)」和「頭部姿勢」，也無法識別「身體」和「運(yùn)動」之間的關(guān)聯(lián)性。

研究人員額外添加了成對的頭部姿勢和面部動態(tài)來傳遞損失，以改善解耦效果。

為了提升身份和運(yùn)動之間的糾纏，損失函數(shù)中引入了面部身份相似性損失。

2. 基于擴(kuò)散Transformer的整體人臉動態(tài)生成（Holistic Facial Dynamics Generation with Diffusion Transformer）

給定構(gòu)建的人臉潛空間和訓(xùn)練的編碼器，就可以從現(xiàn)實(shí)生活中的人臉視頻中提取人臉動態(tài)和頭部運(yùn)動，并訓(xùn)練生成模型。

最關(guān)鍵的是，研究人員考慮了身份不可知的整體面部動態(tài)生成（HFDG），學(xué)習(xí)到的潛編碼代表所有面部運(yùn)動，如嘴唇運(yùn)動、（非嘴唇）表情、眼睛凝視和眨眼，與現(xiàn)有方法中「使用交錯回歸和生成公式對不同因素應(yīng)用單獨(dú)的模型」形成了鮮明的對比。

一張照片+音頻=超逼真數(shù)字人視頻！VASA-1模型拉開「實(shí)時交互」大幕-AI.x社區(qū)

此外，之前的方法通常基于有限的身份進(jìn)行訓(xùn)練，不能對不同人類的廣泛運(yùn)動模式進(jìn)行建模，特別是在具有表現(xiàn)力的運(yùn)動潛空間的情況下。

在這項工作中，研究人員利用音頻條件下的HFDG的擴(kuò)散模型，在來自大量身份的大量談話人臉視頻上進(jìn)行訓(xùn)練，并將Transformer架構(gòu)應(yīng)用于序列生成任務(wù)。

3. Talking Face視頻生成

在推斷時，給定任意的人臉圖像和音頻片段，首先使用訓(xùn)練的人臉編碼器提取3D外觀體積和身份編碼；然后提取音頻特征，將其分割成相同長度的片段，并使用訓(xùn)練的擴(kuò)散Transformer以滑動窗口的方式逐個生成頭部和面部運(yùn)動序列；最后使用訓(xùn)練后的解碼器生成最終視頻。

實(shí)驗結(jié)果

研究人員使用公開的VoxCeleb2數(shù)據(jù)集，包含大約6000名受試者的談話面部視頻，并重新處理數(shù)據(jù)集并丟棄「包含多個人物的片段」和低質(zhì)量的片段。

對于motion latent生成任務(wù)，使用embedding尺寸為512、頭編號為8的8層Transformer編碼器作為擴(kuò)散網(wǎng)絡(luò)。

模型在VoxCeleb2和收集的另一個高分辨率談話視頻數(shù)據(jù)集上進(jìn)行訓(xùn)練，該數(shù)據(jù)集包含約3500個受試者。

定性評估

可視化結(jié)果

通過視覺檢查，我們的方法可以生成具有生動面部情緒的高質(zhì)量視頻幀。此外，它可以產(chǎn)生類似人類的對話行為，包括在演講和沉思過程中眼睛凝視的偶爾變化，以及眨眼的自然和可變節(jié)奏，以及其他細(xì)微差別。我們強(qiáng)烈建議讀者在線查看我們的視頻結(jié)果，以充分了解我們方法的功能和輸出質(zhì)量。

生成可控性

在不同控制信號下生成的結(jié)果，包括主眼凝視、頭部距離和情緒偏移，生成模型可以很好地解釋這些信號，并產(chǎn)生與這些特定參數(shù)密切相關(guān)的人臉結(jié)果。

一張照片+音頻=超逼真數(shù)字人視頻！VASA-1模型拉開「實(shí)時交互」大幕-AI.x社區(qū)