只需一張照片，和一段音頻，就能直接生成人物說話的視頻！

近日，來自谷歌的研究人員發(fā)布了多模態(tài)擴散模型VLOGGER，讓我們朝著虛擬數(shù)字人又邁進了一步。

論文地址：https://enriccorona.github.io/vlogger/paper.pdf

VLOGGER接收單個輸入圖像，使用文本或者音頻驅(qū)動，生成人類說話的視頻，包括口型、表情、肢體動作等都非常自然。

我們先來看幾個例子：

如果感覺視頻使用別人的聲音有點違和，小編幫你關(guān)掉聲音：

可以看出整個生成的效果是非常優(yōu)雅自然的。

VLOGGER建立在最近生成擴散模型的成功之上，包括一個將人類轉(zhuǎn)成3D運動的模型，以及一個基于擴散的新架構(gòu)，用于通過時間和空間控制，增強文本生成圖像的效果。

VLOGGER可以生成可變長度的高質(zhì)量視頻，并且這些視頻可以通過人臉和身體的高級表示輕松控制。

比如我們可以讓生成視頻中的人閉上嘴：

或者閉上雙眼：

與之前的同類模型相比，VLOGGER不需要針對個體進行訓練，不依賴于面部檢測和裁剪，而且包含了肢體動作、軀干和背景，——構(gòu)成了可以交流的正常的人類表現(xiàn)。

AI的聲音、AI的表情、AI的動作、AI的場景，人類開始的價值是提供數(shù)據(jù)，再往后可能就沒什么價值了？

在數(shù)據(jù)方面，研究人員收集了一個新的、多樣化的數(shù)據(jù)集MENTOR，比之前的同類數(shù)據(jù)集大了整整一個數(shù)量級，其中訓練集包括2200小時、800000個不同個體，測試集為120小時、4000個不同身份的人。

研究人員在三個不同的基準上評估了VLOGGER，表明模型在圖像質(zhì)量、身份保存和時間一致性方面達到了目前的最優(yōu)。

VLOGGER

VLOGGER的目標是生成一個可變長度的逼真視頻，來描繪目標人說話的整個過程，包括頭部動作和手勢。

如上圖所示，給定第1列所示的單個輸入圖像和一個示例音頻輸入，右列中展示了一系列合成圖像。

包括生成頭部運動、凝視、眨眼、嘴唇運動，還有以前模型做不到的一點，生成上半身和手勢，這是音頻驅(qū)動合成的一大進步。

VLOGGER采用了基于隨機擴散模型的兩階段管道，用于模擬從語音到視頻的一對多映射。

第一個網(wǎng)絡(luò)將音頻波形作為輸入，以生成身體運動控制，負責目標視頻長度上的凝視、面部表情和姿勢。

第二個網(wǎng)絡(luò)是一個包含時間的圖像到圖像的平移模型，它擴展了大型圖像擴散模型，采用預測的身體控制來生成相應(yīng)的幀。為了使這個過程符合特定身份，網(wǎng)絡(luò)獲取了目標人的參考圖像。

VLOGGER使用基于統(tǒng)計的3D身體模型，來調(diào)節(jié)視頻生成過程。給定輸入圖像，預測的形狀參數(shù)對目標標識的幾何屬性進行編碼。

首先，網(wǎng)絡(luò)M獲取輸入語音，并生成一系列N幀的3D面部表情和身體姿勢。

然后渲染移動3D身體的密集表示，以在視頻生成階段充當2D控件。這些圖像與輸入圖像一起作為時間擴散模型和超分辨率模塊的輸入。

音頻驅(qū)動的運動生成

管道的第一個網(wǎng)絡(luò)旨在根據(jù)輸入語音預測運動。此外還通過文本轉(zhuǎn)語音模型將輸入文本轉(zhuǎn)換為波形，并將生成的音頻表示為標準梅爾頻譜圖（Mel-Spectrograms）。

管道基于Transformer架構(gòu)，在時間維度上有四個多頭注意力層。包括幀數(shù)和擴散步長的位置編碼，以及用于輸入音頻和擴散步驟的嵌入MLP。

在每一幀中，使用因果掩碼使模型只關(guān)注前一幀。模型使用可變長度的視頻進行訓練（比如TalkingHead-1KH數(shù)據(jù)集），以生成非常長的序列。

研究人員采用基于統(tǒng)計的3D人體模型的估計參數(shù)，來為合成視頻生成中間控制表示。

模型同時考慮了面部表情和身體運動，以生成更好的表現(xiàn)力和動態(tài)的手勢。

此外，以前的面部生成工作通常依賴于扭曲（warped）的圖像，但在基于擴散的架構(gòu)中，這個方法被忽視了。

作者建議使用扭曲的圖像來指導生成過程，這促進了網(wǎng)絡(luò)的任務(wù)并有助于保持人物的主體身份。

生成會說話和移動的人類

下一個目標是對一個人的輸入圖像進行動作處理，使其遵循先前預測的身體和面部運動。

受ControlNet的啟發(fā)，研究人員凍結(jié)了初始訓練的模型，并采用輸入時間控件，制作了編碼層的零初始化可訓練副本。

作者在時間域中交錯一維卷積層，網(wǎng)絡(luò)通過獲取連續(xù)的N幀和控件進行訓練，并根據(jù)輸入控件生成參考人物的動作視頻。

模型使用作者構(gòu)建的MENTOR數(shù)據(jù)集進行訓練，因為在訓練過程中，網(wǎng)絡(luò)會獲取一系列連續(xù)的幀和任意的參考圖像，因此理論上可以將任何視頻幀指定為參考。

不過在實踐中，作者選擇采樣離目標剪輯更遠的參考，因為較近的示例提供的泛化潛力較小。

網(wǎng)絡(luò)分兩個階段進行訓練，首先在單幀上學習新的控制層，然后通過添加時間分量對視頻進行訓練。這樣就可以在第一階段使用大批量，并更快地學習頭部重演任務(wù)。

作者采用的learning rate為5e-5，兩個階段都以400k的步長和128的批量大小訓練圖像模型。

多樣性

下圖展示了從一個輸入圖片生成目標視頻的多樣化分布。最右邊一列顯示了從80個生成的視頻中獲得的像素多樣性。

在背景保持固定的情況下，人的頭部和身體顯著移動（紅色意味著像素顏色的多樣性更高），并且，盡管存在多樣性，但所有視頻看起來都很逼真。

視頻編輯

模型的應(yīng)用之一是編輯現(xiàn)有視頻。在這種情況下，VLOGGER會拍攝視頻，并通過閉上嘴巴或眼睛等方式改變拍攝對象的表情。

在實踐中，作者利用擴散模型的靈活性，對應(yīng)該更改的圖像部分進行修復，使視頻編輯與原始未更改的像素保持一致。

視頻翻譯

模型的主要應(yīng)用之一是視頻翻譯。在這種情況下，VLOGGER會以特定語言拍攝現(xiàn)有視頻，并編輯嘴唇和面部區(qū)域以與新音頻（例如西班牙語）保持一致。