正确的提示信息

扫码打开虎嗅APP

搜索历史
热搜词
2020-06-30 14:54
迪士尼开发换脸技术,用deepfake拍电影可以安排了?

本文来自微信公众号:量子位(ID:QbitAI),作者:鱼羊,头图来自Disney


换脸这件事,从未如此高清。



最流行的开源deepfake模型DeepFakeLab,在今年的更新中,最大分辨率也只达到了320×320。


而这只来自迪士尼和ETHZ的全新deepfake,在保持高度流畅这一优良传统的同时,还一举把分辨率拉高到了1024×1024的水平。


这也是deepfake的分辨率水平首次达到百万像素。


这下,换脸之后,每一根眉毛都仍然清晰可见。



动图画质略有损失,用静态图来感受一下这个清晰度:



难怪网友忍不住惊呼:Amazing!



为特效而生的高分辨率deepfake


在此之前,deepfake技术的改进重点主要在平滑换脸效果,而不是提高分辨率。


但320×320这样的分辨率下,手机上看换脸效果可能行云流水看不出破绽,换到大屏幕上,缺陷就会很明显。



为了提高分辨率,迪士尼的这项研究主要引入了逐步训练的多向梳状网络,并提出了一个完整的人脸交换管道,包括保留光线和对比度的混合方法,以减少视频常出现不真实的抖动,生成时间上稳定的视频序列。


具体而言,分为以下几个步骤:


  • 首先,对输入人脸进行裁剪和归一化预处理,将人脸归一化为1024×1024分辨率,并保存归一化参数。


  • 而后,预处理过的图像会被输入到通用编码器中,用相应的解码器Ds进行解码。


  • 最后,用多频段混合方法来交换目标人脸和源人脸。



渐进式训练的多向梳状网络


在网络架构上,迪士尼采用了单个编码器、多个解码器的方案,称作“梳子模型”。


即,网络的编码部分是共享的,而解码路径则分成P个域。



这样一来,一个模型就能同时处理多个源-目标对。


并且,实验表明,与双向模型相比,多向训练模型可以提高表达的保真度。


由于多向编码器允许生成不同的输出,这些输出既可以对应不同的身份,也可以对应不同照明条件下的同一张脸。


此外,还有一重优势是,相比于双向网络,使用单一网络的训练时间能明显减少。


网络的训练,则采取渐进式机制。


首先,对高分辨率输入数据进行下采样,形成粗糙的低分辨率图像,先用这些低分辨率图像进行训练。此后,逐步在训练中加入高分辨率图像,逐渐扩大网络的容量。


消除时间伪影


为了消除可见的时间伪影,研究人员还提出了一种稳定标志物定位算法的方法。


具体而言,是对人脸进行初始检测和对其,并标记人脸边界框的宽度w 。


然后,通过在图像平面的不同方向上扰动βw个像素,来重新初始化原始边界框n次。


研究人员发现,在1024×1024分辨率下,β=0.05和n=9时,可以消除所有可见的时间伪影。


保留光线和对比度的混合方法


不过,即使人脸已经完全对齐,姿势和面部表情也完全匹配,光度失准等问题,依然会造成换脸效果的不和谐。


比如出现明显的接缝。



针对这个问题,研究人员采用了保留光线和对比度的多频段混合方法,并强制要求边界平滑效果只传播人脸内部,确保外侧的人脸轮廓不会被平滑掉。


与常用的泊松混合(Poisson blending)方法相比,在目标人脸图像和源人脸图像光照不同的情况下,该方法消除伪影的效果更好。



所以,这个高清deepfake的效果应该如何评价?


直接看对比:



deepfake登上大荧幕,指日可待


不过,研究人员也指出,这个高清deepfake仍有局限性。


从展示的示例中可以看出,大部分人脸图像都是正对镜头的。


夸张的表情、极端的角度和光线,仍然会导致模糊和伪影。



但分辨率的提升,依然给deepfake带来了全新的商业可能性。


迪士尼就曾经在《星球大战》系列电影《侠盗一号》里,用特效换脸技术让已故演员Peter Cushing和Carrie Fisher重返荧幕。


不过,采用传统特效技术,通常要花费数月时间,才能获得几秒钟的画面,成本十分高昂。


相比之下,构建原始模型之后,deepfake在数小时之内就能完成换脸视频的制作。


看来,deepfake技术登上大屏幕,或许离实现不远了。


参考链接:

http://studios.disneyresearch.com/2020/06/29/high-resolution-neural-face-swapping-for-visual-effects/

https://www.theverge.com/2020/6/29/21306889/disney-deepfake-face-swapping-research-megapixel-resolution-film-tv


本文来自微信公众号:量子位(ID:QbitAI),作者:鱼羊

本内容为作者独立观点,不代表虎嗅立场。未经允许不得转载,授权事宜请联系 hezuo@huxiu.com
如对本稿件有异议或投诉,请联系tougao@huxiu.com
打开虎嗅APP,查看全文

前往 虎嗅APP 查看原文体验更佳

前往

本文已被收藏在:

支持一下

赞赏

0人已赞赏

大 家 都 在 看

查看更多文章

大 家 都 在 搜

好的内容,值得赞赏

您的赞赏金额会直接进入作者的虎嗅账户

    自定义
    支付: