一张图即出AI视频！谷歌全新扩散模型，让人物动起来
只需一张照片，和一段音频，就能直接生成人物说话的视频！近日，来自谷歌的研究人员发布了多模态扩散模型VLOGGER，让我们朝着虚拟数字人又迈进了一步。论文地址：https://enriccorona.github.io/vlogger/paper.pdfVlogger可以收集单个输入图像，使用文本或者音频驱动，生成人类语音的视频，包括口型、表情、肢体动作等都非常自然。我们先来看几个例子：如果感觉视频使用别人的声音有点违和，小编帮你关掉声音：可以看出整个生成的效果是非常优雅自然的。VLOGGER建立在最近生成
只需一张照片，和一段音频，就能直接生成人物说话的视频！
近日，来自谷歌的研究人员发布了多模态扩散模型VLOGGER，让我们朝着虚拟数字人又迈进了一步。
论文地址：https://enriccorona.github.io/vlogger/paper.pdf
Vlogger可以收集单个输入图像，使用文本或者音频驱动，生成人类语音的视频，包括口型、表情、肢体动作等都非常自然。
我们先来看几个例子：
如果感觉视频使用别人的声音有点违和，小编帮你关掉声音：
可以看出整个生成的效果是非常优雅自然的。
VLOGGER建立在最近生成扩散模型的成功之上，包括一个将人类转成3D运动的模型，以及一个基于扩散的新架构，用于通过时间和空间控制，增强文本生成图像的效果。
VLOGGER可以生成可变长度的高质量视频，并且这些视频可以通过人脸和身体的高级表示轻松控制。
比如我们可以让生成视频中的人闭上嘴：
或者闭上双眼：
与之前的同类模型相比，VLOGGER不需要针对个体进行训练，不依赖于面部检测和裁剪，而且包含了肢体动作、躯干和背景，——构成了可以交流的正常的人类表现。
AI的声音、AI的表情、AI的动作、AI的场景，人类开始的价值是提供数据，再往后可能就没什么价值了？
在数据方面，研究人员收集了一个新的、多样化的数据集MENTOR，比之前的同类数据集大了整整一个数量级，其中训练集包括2200小时、800000个不同个体，测试集为120小时、4000个不同身份的人。
研究人员在三个不同的基准上评估了VLOGGER，表明模型在图像质量、身份保存和时间一致性方面达到了目前的最优。
VLOGGER
VLOGGER的目标是生成一个可变长度的逼真视频，来描绘目标人说话的整个过程，包括头部动作和手势。
如上图所示，给定第1列所示的单个输入图像和一个示例音频输入，右列中展示了一系列合成图像。
包括生成头部运动、凝视、眨眼、嘴唇运动，还有以前模型做不到的一点，生成上半身和手势，这是音频驱动合成的一大进步。
VLOGGER采用了基于随机扩散模型的两阶段管道，用于模拟从语音到视频的一对多映射。
第一个网络将音频波形作为输入，以生成身体运动控制，负责目标视频长度上的凝视、面部表情和姿势。
第二个网络是一个包含时间的图像到图像的平移模型，它扩展了大型图像扩散模型，采用预测的身体控制来生成相应的帧。为了使这个过程符合特定身份，网络获取了目标人的参考图像。
VLOGGER使用基于统计的3D身体模型，来调节视频生成过程。给定输入图像，预测的形状参数对目标标识的几何属性进行编码。
首先，网络M获取输入语音，并生成一系列N帧的3D面部表情和身体姿势。
然后渲染移动3D身体的密集表示，以在视频生成阶段充当2D控件。这些图像与输入图像一起作为时间扩散模型和超分辨率模块的输入。
音频驱动的运动生成
管道的第一个网络旨在根据输入语音预测运动。此外还通过文本转语音模型将输入文本转换为波形，并将生成的音频表示为标准梅尔频谱图（Mel-Spectrograms）。
管道基于Transformer架构，在时间维度上有四个多头注意力层。包括帧数和扩散步长的位置编码，以及用于输入音频和扩散步骤的嵌入MLP。
在每一帧中，使用因果掩码使模型只关注前一帧。模型使用可变长度的视频进行训练（比如TalkingHead-1KH数据集），以生成非常长的序列。
研究人员采用基于统计的3D人体模型的估计参数，来为合成视频生成中间控制表示。
模型同时考虑了面部表情和身体运动，以生成更好的表现力和动态的手势。
此外，以前的面部生成工作通常依赖于扭曲（warped）的图像，但在基于扩散的架构中，这个方法被忽视了。
作者建议使用扭曲的图像来指导生成过程，这促进了网络的任务并有助于保持人物的主体身份。
生成会说话和移动的人类
下一个目标是对一个人的输入图像进行动作处理，使其遵循先前预测的身体和面部运动。
受ControlNet的启发，研究人员冻结了初始训练的模型，并采用输入时间控件，制作了编码层的零初始化可训练副本。
作者在时间域中交错一维卷积层，网络通过获取连续的N帧和控件进行训练，并根据输入控件生成参考人物的动作视频。
模型使用作者构建的MENTOR数据集进行训练，因为在训练过程中，网络会获取一系列连续的帧和任意的参考图像，因此理论上可以将任何视频帧指定为参考。
不过在实践中，作者选择采样离目标剪辑更远的参考，因为较近的示例提供的泛化潜力较小。
网络分两个阶段进行训练，首先在单帧上学习新的控制层，然后通过添加时间分量对视频进行训练。这样就可以在第一阶段使用大批量，并更快地学习头部重演任务。
作者采用的learning rate为5e-5，两个阶段都以400k的步长和128的批量大小训练图像模型。
多样性
下图展示了从一个输入图片生成目标视频的多样化分布。最右边一列显示了从80个生成的视频中获得的像素多样性。
在背景保持固定的情况下，人的头部和身体显著移动（红色意味着像素颜色的多样性更高），并且，尽管存在多样性，但所有视频看起来都很逼真。
视频编辑
模型的应用之一是编辑现有视频。在这种情况下，VLOGGER会拍摄视频，并通过闭上嘴巴或眼睛等方式改变拍摄对象的表情。
在实践中，作者利用扩散模型的灵活性，对应该更改的图像部分进行修复，使视频编辑与原始未更改的像素保持一致。
视频翻译
模型的主要应用之一是视频翻译。在这种情况下，VLOGGER会以特定语言拍摄现有视频，并编辑嘴唇和面部区域以与新音频（例如西班牙语）保持一致。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Premiere Pro 是面向专业视频制作的非线性剪辑软件，提供多轨时间线、调色、音频处理、字幕、代理工作流和多格式输出能力，并可与 After Effects、Audition、Photoshop 及 Frame.io 协同
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
Adobe Media Encoder 是 Adobe 面向视频与音频制作流程提供的专业编码和转码工具，可批量处理媒体文件、创建代理、套用输出预设并监控文件夹自动执行任务。它与 Premiere、After Effects、Audition