用一張圖像合成動圖,讓蒙娜麗莎開口說話

蒙娜麗莎開口說話你見過嗎？這位神秘的畫中人也能做出各種 gif 表情？來自三星莫斯科 AI 中心和 Skolkovo 科學(xué)技術(shù)研究所的研究人員創(chuàng)建了一個模型，利用這個模型可以從一張圖像中生成人物頭像的動圖，而且是開口說話的動圖。而且，這一模型沒有采用 3D 建模等傳統(tǒng)方法。

開口說話的蒙娜麗莎好像看著沒那么高冷。

除了蒙娜麗莎，研究人員還生成了風(fēng)情萬種的瑪麗蓮·夢露。

他們生成的名人頭部動畫包括瑪麗蓮·夢露、愛因斯坦、蒙娜麗莎以及 Wu Tang Clan 的 RZA 等。

近年來出現(xiàn)了很多利用 AI 模擬人臉的研究。2018 年，華盛頓大學(xué)的研究人員分享了他們創(chuàng)建的 ObamaNet，它是一種基于 Pix2Pix 的唇語口型模型，以美國前總統(tǒng)奧巴馬的視頻進行訓(xùn)練。去年秋天，加州大學(xué)伯克利分校的研究人員開發(fā)出一個模型，使用 YouTube 視頻來訓(xùn)練 AI 數(shù)據(jù)集，生成的人物可以做跳舞或后空翻等雜技動作。

為了創(chuàng)建個性化模型，上面這些研究需要在大量個人數(shù)據(jù)上進行訓(xùn)練。但是，在許多實際場景中，我們需要從個人的少量甚至是一張圖像中學(xué)習(xí)。因此在這項研究中，三星和 Skolkovo 研究所的研究人員只用少量甚至一張圖像或畫作就合成了人物開口說話狀態(tài)的頭部動畫。

研究人員利用了 Few-shot learning 等技術(shù)，主要合成頭部圖像和面部 landmark，可應(yīng)用于電子游戲、視頻會議或者三星 Galaxy S10 上現(xiàn)在可用的數(shù)字替身（digital avatar）。這種虛擬現(xiàn)實項目的數(shù)字替身技術(shù)可用于創(chuàng)建 deepfake 圖像和視頻。

Few-shot 學(xué)習(xí)意味著該模型在僅使用幾幅甚至一幅圖像的情況下模擬人臉。研究人員使用 VoxCeleb2 視頻數(shù)據(jù)集進行元訓(xùn)練（meta trainning）。在元學(xué)習(xí)過程中，系統(tǒng)創(chuàng)建了三種神經(jīng)網(wǎng)絡(luò)：將幀映射到向量的嵌入器網(wǎng)絡(luò)、在合成視頻中映射面部特征點的生成器網(wǎng)絡(luò)以及評估生成圖像真實性和姿態(tài)的判別器網(wǎng)絡(luò)。

聯(lián)合三種網(wǎng)絡(luò)，該系統(tǒng)能在大型視頻數(shù)據(jù)集上執(zhí)行長時間的元學(xué)習(xí)過程。待元學(xué)習(xí)收斂后，就能構(gòu)建 few-shot 或 one-shot 的神經(jīng)頭像特寫模型。該模型將未見過的目標任務(wù)視為對抗學(xué)習(xí)問題，這樣就能利用已學(xué)習(xí)的高質(zhì)量生成器與判別器。

論文作者表示：「至關(guān)重要的一點是，盡管需要調(diào)整數(shù)千萬參數(shù)，該系統(tǒng)能夠因人而異地初始化生成器和判別器參數(shù)，因此訓(xùn)練可以在僅借助幾幅圖像的情況下快速完成。這種方法能夠快速學(xué)習(xí)新面孔甚至是人物肖像畫和個性化的頭像特寫模型?！?/p>

該論文已被 2019 CVPR 會議接收，本屆會議將于六月份在加利福尼亞州的長灘舉行。

新穎的對抗學(xué)習(xí)架構(gòu)

在這項研究中，研究者提出了一種新系統(tǒng)，可以只使用少量圖像（即Few shot learning）和有限的訓(xùn)練時間，構(gòu)建「頭像特寫」模型。實際上，研究者的模型可以基于單張圖像（one-shot learning）生成合理的結(jié)果，而且在添加少量新樣本后，模型能生成保真度更高的個性化圖像。

與很多同類工作相同，研究者的模型使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建頭像特性，它通過一個序列的卷積運算直接合成視頻幀，而不是通過變形（warping）。研究者模型創(chuàng)建的頭像特寫可以實現(xiàn)大量不同的姿態(tài)，其性能顯著高于基于變形（warping-based）的系統(tǒng)。

通過在頭像特寫語料庫上的大量預(yù)訓(xùn)練（meta-learning），模型能獲得 few-shot 學(xué)習(xí)的能力。當然這需要語料庫足夠大，且頭部特寫視頻對應(yīng)不同的說話者與面孔。在元學(xué)習(xí)過程中，研究者的系統(tǒng)模擬了 few-shot 學(xué)習(xí)任務(wù)，并學(xué)習(xí)將面部 landmark 位置轉(zhuǎn)換到逼真的個性化照片。在 few-shot 學(xué)習(xí)中，他們只需要提供轉(zhuǎn)換目標的少量訓(xùn)練圖像就可以。

隨后，轉(zhuǎn)換目標的少量圖像可視為一個新的對抗學(xué)習(xí)問題，其高復(fù)雜度的生成器與判別器都通過元學(xué)習(xí)完成了預(yù)訓(xùn)練。新的對抗問題最終會完成收斂，即在少量訓(xùn)練迭代后能生成真實和個性化的圖像。

元學(xué)習(xí)架構(gòu)

下圖 2 展示了研究者方法中的元學(xué)習(xí)階段，簡單而言它需要訓(xùn)練三個子網(wǎng)絡(luò)。注意，若我們有 M 個視頻序列，那么 x_i(t) 表示第 i 個視頻的第 t 幀。

第一個子網(wǎng)絡(luò) embedder E：它會輸入視頻幀 x_i(s) 以及對應(yīng)的 landmark 圖像 y_i(s)，該網(wǎng)絡(luò)會將輸入映射到 N 維向量 e hat_i(s) 中。

第二個子網(wǎng)絡(luò) generator G：它會輸入新的 landmark 圖像 y_i(t)，且 embedder 看不到其對應(yīng)的視頻幀；該網(wǎng)絡(luò)還會輸入 embedder 輸出的 e hat_i，并希望能輸出合成的新視頻幀 x hat_i(t)。

第三個子網(wǎng)絡(luò) discriminator D：它會輸入視頻幀 x_i(t)、對應(yīng)的 landmark 圖像 y_i(t)，以及訓(xùn)練序列的索引 i。該網(wǎng)絡(luò)希望判斷視頻幀 x_i(t) 到底是不是第 i 個視頻中的內(nèi)容，以及它到底匹不匹配對應(yīng)的 landmark 圖像 y_i(t)。

圖 2：元學(xué)習(xí)架構(gòu)的整體結(jié)構(gòu)，主要包含嵌入器（embedder）、生成器和判別器三大模塊。

嵌入器網(wǎng)絡(luò)希望將頭像特寫圖像與對應(yīng)的人臉 landmark 映射到嵌入向量，該向量包含獨立于人臉姿態(tài)的信息。生成器網(wǎng)絡(luò)通過一系列卷積層將輸入的人臉 landmark 映射到輸出幀中，其生成結(jié)果會通過嵌入向量以及自適應(yīng)實例歸一化進行調(diào)整。在元學(xué)習(xí)中，研究者將相同視頻一組視頻幀傳遞到嵌入器，并對嵌入向量求均值以便預(yù)測生成器的自適應(yīng)參數(shù)。

隨后，研究者將不同幀的 landmark 輸入到生成器中，并對比標注圖像和生成圖像之間的差別。模型的整體優(yōu)化目標包括感知和對抗兩種損失函數(shù)，后者通過條件映射判別器實現(xiàn)。

此外，元學(xué)習(xí)的三大子網(wǎng)絡(luò)在原論文中都有具體的表達式，讀者可具體查閱原論文 3.2 章。

Few-shot 學(xué)習(xí)過程

一旦元學(xué)習(xí)完成收斂，那么系統(tǒng)就能學(xué)習(xí)到如何合成新目標的頭像特寫序列，即使元學(xué)習(xí)中不曾見過這個人。當然，除了要提供新目標的一些圖像樣本，我們還需要提供新目標的 landmark，合成過程是以這些目標 landmark 為條件的。

很自然地，我們可以使用元學(xué)習(xí)收斂后的嵌入器（embedder），用來估計新頭像特寫序列的嵌入向量：

一種比較直觀的想法是使用上面的嵌入向量，以及預(yù)訓(xùn)練的生成器生成新的視頻幀與對應(yīng) landmark 圖像。理論上這樣也能生成真實的圖像，但真實性并不是太強。為此，研究者還需要一個精調(diào)過程以生成更完美的圖像，即 few-shot 學(xué)習(xí)過程。

精調(diào)過程可視為前面元學(xué)習(xí)過程的簡化版，它只在單個視頻序列和較少的幀上完成訓(xùn)練。精調(diào)過程主要包含判別器與生成器兩個模塊，這里嵌入器是不需要調(diào)整的。

其中生成器還是根據(jù) landmark 合成視頻幀，只不過對應(yīng)具體人物的生成器參數(shù) ψ'會和原來一般人物參數(shù)ψ共同優(yōu)化，以學(xué)習(xí)生成目標人物的某些特征。判別器和元學(xué)習(xí)階段也差不多，只不過會增加一個新參數(shù)以學(xué)習(xí)更好地預(yù)測真實度分數(shù)。

實驗

研究者在定性和定量評估實驗中用到了兩個數(shù)據(jù)集：VoxCeleb1 和 VoxCeleb2。后者的視頻數(shù)量大約是前者的 10 倍。VoxCeleb1 用于與基線和控制變量研究作對比，VoxCeleb2 用于展示本文中所提方法的全部潛力。實驗結(jié)果如下表所示：

如表 1 所示，基線模型在兩個相似度度量標準上始終優(yōu)于三星的方法。三星研究人員認為，這是方法本身所固有的：X2Face 在優(yōu)化期間使用 L_2 損失函數(shù)，因此 SSIM 得分較高。另一方面，Pix2pixHD 只最大化了感知度量，沒有 identity preservation 損失，導(dǎo)致 FID 最小化，但從 CSIM 一欄中可以看出，Pix2pixHD 的 identity 不匹配更大。

此外，這些度量標準和人類的感知并沒有特別緊密的關(guān)聯(lián)，因為這些方法都會產(chǎn)生恐怖谷偽影（uncanny valley artifact），這從圖 3 和用戶研究結(jié)果中可以看出。另一方面，余弦相似度與視覺質(zhì)量有更好的相關(guān)性，但仍然傾向于模糊、不太真實的圖像，這也可以通過表 1 與圖 3 中的結(jié)果對比來看出。

圖 3：在 VoxCeleb1 數(shù)據(jù)集上的結(jié)果。對于每一種對比方法，研究者在一個元訓(xùn)練或預(yù)訓(xùn)練期間未見過的人物視頻上執(zhí)行 one-shot 和 few-shot 學(xué)習(xí)。他們將訓(xùn)練的幀數(shù)設(shè)為 T（最左邊的數(shù)字）。Source 列顯示了訓(xùn)練幀之一。

接下來，研究者擴展了可用的數(shù)據(jù)，開始在視頻數(shù)目更多的 VoxCeleb2 上訓(xùn)練模型。他們訓(xùn)練了兩種模型：FF（前饋）和 FT。前者訓(xùn)練 150 個 epoch，沒有嵌入匹配損失 LMCH，因此用的時候不進行微調(diào)。后者訓(xùn)練 75 個 epoch，但有 LMCH，支持微調(diào)。

他們對這兩種模型都進行了評估，因為它們可以在 few-shot 學(xué)習(xí)速度和結(jié)果質(zhì)量之間進行權(quán)衡。與在 VoxCeleb1 上訓(xùn)練的小型模型相比，二者都得到了很高的分數(shù)。值得注意的是，F(xiàn)T 模型在 T=32 的設(shè)定下達到了用戶研究準確率的下界，即 0.33，這是一個完美的分數(shù)。兩種模型的結(jié)果如圖 4 所示：

圖 4：三星最好的模型在 VoxCeleb2 數(shù)據(jù)集上的結(jié)果。

最后，研究者展示了模型在照片或畫像上的結(jié)果。為此，研究者評估了在 one-shot 設(shè)定下訓(xùn)練的模型，任務(wù)姿態(tài)來自 VoxCeleb2 數(shù)據(jù)集的測試視頻。他們使用 CSIM 度量給這些視頻排序，并在原始圖像和生成圖像之間進行計算。這使得研究者可以發(fā)現(xiàn)擁有相似標志幾何特征的人臉，并將它們由靜態(tài)變?yōu)閯討B(tài)。結(jié)果見圖 5 和圖 1.

圖 5：使靜止的照片栩栩如生。