“众所周知视频不能 P” GAN模型:是吗?P视频来了
科技
科技 > 互联网 > 正文

“众所周知视频不能 P” GAN模型:是吗?P视频来了

见过用 GAN 来 P 图,见过用 GAN P 视频吗?瞧,原本一直在面无表情地讲话的人,全程露出了微笑;原本得 4、50 岁的人,直接变 20 几岁了:

另一边,正在微笑唱歌的“赫敏”一下子愤怒起来,还能换上一张几岁小孩的脸:

美国前总统也如此,4 种版本的面部状态信手拈来,甚至连性别都给 P 成女的了:

不管人脸表情和状态如何变化,这些视频都没有给人任何违和感,全程如此的丝滑~哦对,除了真人,动漫视频里的脸也可以 P:

有点厉害了。

基于 GAN 的视频面部编辑

这个模型出自以色列特拉维夫大学。

众所周知,GAN 在其潜空间内编码丰富语义的能力,已经被广泛用于人脸编辑。不过将它用在视频中还是有点挑战性:一个是缺乏高质量数据集,一个是需要克服时间一致性 (temporal coherency)这一基本障碍。

不过研究人员认为,第二点这个障碍主要是人为的。因为原视频本具备时间一致性,编辑后的视频却变了,部分原因就是在 editing pipeline 中对一些组件(component)处理不当。而他们提出的这个视频人脸语义编辑框架,相对于当前技术水平做出了重大改进:只采用了标准的非时序 StyleGAN2,对 GAN editing pipeline 中的不同组件进行分析,确定哪些组件具备一致性,就用这些组件来操作。整个过程不涉及任何用来维持时间一致性的额外操作。具体流程一共分为六步:

1、输入视频首先被分割成帧,每帧中的人脸都被裁剪下来并对齐;

2、使用预训练的 e4e 编码器,将每张已裁剪的人脸反演到预训练的 StyleGAN2 的潜空间中;

3、在所有并行帧中使用 PTI(最新提出的一种视频人脸编辑方法)对生成器进行微调,纠正初始反演中的错误,恢复全局一致性;

4、所有帧通过使用固定的方向和步长,线性地操纵其轴心潜码(pivot latent codes)进行相应编辑;

5、再次微调生成器,将背景和编辑过的人脸“缝合”在一起;

6、反转对齐步骤,并将修改后的人脸粘贴回视频中。

△ 注意颈部曾产生了大量瑕疵,在最后一步完全修复好

△ 注意颈部曾产生了大量瑕疵,在最后一步完全修复好

和 SOTA 模型对比

这个模型效果到底有多好,来个对比就知道:

第一个是变年轻、第二、三个都是变老。可以明显看到目前的 SOTA 模型(Latent Transformer)和 PTI 模型中的人脸会“抽巴”,并出现一些伪影,而这个新模型就避开了这些问题。

此外,研究人员还进行了时间一致性测试。指标包含两个:

局部时间一致性(TL-ID),通过现成的一致性检测网络来评估相邻两帧之间的一致性。TL-ID 分数越高,表明该方法产生的效果越平滑,没有明显的局部抖动。

全局时间一致性(TG-ID),同样使用一致性检测网络来评估所有可能的帧(不一定相邻)之间的相似性。得分为 1 表示该方法成功保持了和原视频的时间一致性。

结果如下:

可以看到,这个新模型在两项指标中都略胜一筹。

最后,代码将于 2 月 14 号发布,感兴趣的朋友可以蹲一蹲了~

论文地址:

https://arxiv.org/abs/2201.08361

项目主页:

https://stitch-time.github.io/

亲爱的凤凰网用户:

您当前使用的浏览器版本过低,导致网站不能正常访问,建议升级浏览器

第三方浏览器推荐:

谷歌(Chrome)浏览器 下载

360安全浏览器 下载