腾讯放大招了！AniPortrait开源上线！音频驱动逼真人像动画合成！人人都是歌手！

摘要

本文介绍了AniPortrait，一种创新的框架，旨在通过音频和参考图像生成高质量的动态人像。该方法分为两个阶段：首先，从音频提取3D面部表示并转换为2D面部关键点；其次，使用扩散模型结合运动模块将关键点序列转换为逼真的动画。AniPortrait在面部自然性、姿势多样性和视觉质量方面表现出色，并展现了在面部运动编辑和重现方面的应用潜力。

介绍

创建逼真的人像动画面临多方面挑战，如需精细协调嘴唇运动和面部表情等。现有方法常因生成器容量限制而难以制作高质量动画。AniPortrait框架利用扩散模型的进展，生成由音频和图像驱动的动画人像，包括精准捕捉音频中的微妙表情和头部运动，并将其转换为时间连贯的动态人像。

方法

AniPortrait包含两个模块：Audio2Lmk从音频中提取关键点序列；Lmk2Video利用这些序列生成高质量视频。该框架利用wav2vec提取音频特征，并使用transformer模型预测3D面部网格和头部姿势。通过透视投影转换为2D关键点，结合扩散模型和运动模块生成动画。实验中，改进了PoseGuider模块以增强嘴唇运动的精度，并引入参考图像关键点作为额外输入以提高动画质量。

实验

实验使用wav2vec2.0提取音频特征，MediaPipe进行3D网格和姿势标注，并利用内部数据集训练模型。Lmk2Video模块在VFHQ和CelebV-HQ数据集上训练，采用两步训练法，分别训练骨干网络及运动模块。结果表明，AniPortrait能生成高质量、逼真的动画，并允许对中间3D表示进行编辑，以创造不同的面部重现效果。

结论和未来工作

AniPortrait是一个基于扩散模型的人像动画框架，能够根据音频和参考图像生成具有自然头部运动的视频。目前，3D数据的高成本和诡异谷效应仍是挑战。未来计划探索直接从音频预测人像视频的方法，以期实现更佳的生成效果。

曾经有一个创业者，叫骆驼

了解更多

想要了解更多内容？

查看原文：腾讯放大招了！AniPortrait开源上线！音频驱动逼真人像动画合成！人人都是歌手！

文章来源：

AI生成未来

扫码关注公众号