什么是Talking Face Generation任務(wù)？

什么是 Talking Face Generation任務(wù)？

簡單來講，給定音頻或視頻后，可以讓任意一個人的面部特征與輸入信息保持一致。比如在下面的 Demo 視頻中，通過輸入一段音頻，讓其他五位個人都能說出這段話。如何利用這個技術(shù)？以后大家惡搞，就不只是給奧巴馬、特朗普嫁接一段聲音了。你可以讓高曉松“燃燒我的卡路里”，也可以讓好運錦鯉楊超越每天為你講“曉說”。要油要甜，全看你的選擇~（我要吳彥祖，胡歌，新恒結(jié)衣，神仙姐姐每天給我講段子~）

其實，當人們說話時，面部區(qū)域一些細微的運動是非常復(fù)雜的，通常由講話者個人固有的面部特征和所傳遞的外部信息共同決定?，F(xiàn)有的研究中，一部分專注于前者，即對一個主體構(gòu)建特定的面部特征模型；另一部分專注于后者，即構(gòu)建唇部運動和言語信息之間的 identity-agnostic 變換的模型。

在這項工作中，作者將兩方面整合一起開展了一系列研究，并提出了一種 DAVS （Disentangled Audio-Visual System）結(jié)構(gòu)。通過學(xué)習(xí)分解的視覺和聽覺表征，實現(xiàn)對任意說話主體的臉部生成。我們假設(shè)說話人的臉部序列是主體相關(guān)信息和語音相關(guān)信息的組合，通過一種新穎的關(guān)聯(lián)-對抗訓(xùn)練過程來明確地解開這兩個空間。這種分解方法的另外一個優(yōu)點就是能將分解得到的音頻和視頻信息都可以用于語音信息的生成。大量實驗表明，作者所提出的方法可以對任意對象上生成逼真的人臉序列，并且唇部運動模式更加清晰。此外，作者還發(fā)現(xiàn)，學(xué)習(xí)到的視聽表征在唇語自動解讀和音頻視頻檢索等應(yīng)用中也非常有用。

傳送門

項目主頁：

https://liuziwei7.github.io/projects/TalkingFace

論文鏈接：

https://arxiv.org/pdf/1807.07860.pdf

Github 地址：

https://github.com/Hangz-nju-cuhk/Talking-Face-Generation-DAVS

目前，作者準備把這個項目開源，大家可以在源碼公開后進行深入實踐了！

▌首先，你需要先準備：

Python2.7

PyTorch (0.2.0)

Opencv2

▌測試結(jié)果如何生成？

1.下載預(yù)訓(xùn)練的模型的 checkpoint

2.測試數(shù)據(jù)在0572_0019_0003文件夾，這是從 Voxceleb 數(shù)據(jù)集中篩選，經(jīng)預(yù)處理后的樣本數(shù)據(jù)。

3.運行測試腳本，利用視頻生成視頻

4.運行測試腳本，從語音生成視頻

▌數(shù)據(jù)樣本的生成結(jié)果

1.對人臉面部特征的影響

2.對非真是人臉面部特征的影響（只用人臉數(shù)據(jù)作為訓(xùn)練樣本）

▌創(chuàng)造更多的樣本

Demo 視頻中使用的面部檢測工具可以在 rsa 中找到。每張圖像的一行中，將返回一個帶5個關(guān)鍵點的 Matfile 輸出。這個工具在其他面部對齊方法中也同樣適用，如 dlib。在這個項目中，作者使用的面部對齊關(guān)鍵點是眼睛的中心和嘴角的平均點。使用的每個圖像的PATH和 face POINTS，大家可以在 preprocess / face_align.py文件中找到作者使用的方法。

此外，作者對音頻文件的預(yù)處理方法是相同的，調(diào)用了SyncNet 的matlab 的代碼，在將 mfcc 特征保存到 bin 文件中。

▌訓(xùn)練代碼

訓(xùn)練代碼正在整理中，后續(xù)會公布。此項目的代碼結(jié)構(gòu)參考了 pix2pix 的實現(xiàn)代碼：

https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

后處理細節(jié)

直接生成的結(jié)果可能會受到縮放條件 (放大和縮小) 的影響，假設(shè)這是由訓(xùn)練集對齊引起的。作者在 demo 中使用 subspace video stabilization 方式來解決這種不穩(wěn)定問題。