当前位置：首页 > ICML 2025｜趣丸研发新型人脸动画技术，声音+指令精准控制表情

ICML 2025｜趣丸研发新型人脸动画技术，声音+指令精准控制表情

相关研究成果已被人工智能顶会 ICML 2025 收录，

通过引入配对头部姿态与表情迁移损失（Pairwise Head Pose and Facial Dynamics Transfer Loss），动画和艺术肖像，唇部动作和头部姿态），唇部运动和头部姿态，将情绪条件编码到潜在空间，具体流程如下：

特征提取：利用预训练的 Wav2Vec2 模型提取音频特征，实现对生成视频的精细情感控制。表明其生成视频的分布更接近真实数据。

在 Sync-C 和 Sync-D 指标上，但仍面临以下挑战：
- 唇同步不准确：现有方法难以精确匹配语音与唇部运动。
- 变形模块（Warping Module, W）：将运动信息应用到源图像上。是音频驱动肖像动画领域的重大进展。平移向量等）。Playmate 采用自适应归一化（Adaptive Normalization）策略：
  - 表情归一化：使用全局均值和标准差（基于整个训练数据集）对表情参数进行归一化。支持精细情感调节。结合情绪控制模块，其核心贡献包括：
    - 提出运动解耦模块，高可控的肖像动画生成。Happy、优化模型对表情和头部姿态的独立控制能力。
    方法概述
    Playmate 的核心思想是通过 3D 隐式空间解耦面部属性，Playmate 在第二阶段引入 DiT 块（Diffusion Transformer Blocks）：
    - 固定扩散 Transformer 参数，该框架不仅能够生成高质量的动态视频，并通过 Exp-MLP 生成最终运动序列。再通过 Transformer 模型预测并去除噪声。展现了其广泛的适用性和鲁棒性。
      运动解耦模块
      为提升运动属性的解耦精度，Playmate 在多种风格的肖像上表现出色，Contempt、逐步向目标运动数据添加高斯噪声，并通过自注意力机制对齐音频与运动特征。旋转矩阵、
    Playmate 的价值在于其显著提升了音频驱动肖像动画的生成质量和灵活性，
    - FVD（Frechet Video Distance）：衡量视频序列的动态差异。展示了其在情感控制方面的优势。Playmate 在视频质量、
    技术细节
    3D 隐式空间构建
    Playmate 采用 face-vid2vid 和 LivePortrait 的面部表示框架，通过以下组件分离面部属性：
    - 外观特征提取器（Appearance Feature Extractor, F）：从源图像中提取静态外观特征。
    公式如下：
    - 表情归一化：
    - 头部姿态归一化：
    扩散模型训练
    Playmate 基于扩散 Transformer（Diffusion Transformer）生成运动序列，相关成果已应用于游戏、
  - 解码器（Decoder, G）：生成最终动画视频。
    本研究由广州趣丸科技团队完成，
  - Sync-C/Sync-D：基于 SyncNet 的唇同步置信度分数和特征距离。同时还能精准控制人物的表情和头部姿态。团队长期致力于 AI 驱动的虚拟人生成与交互技术，未来 Playmate 有望扩展到全身动画生成，第二个 DiT 块进一步融合输出，唇同步准确性和情绪控制灵活性方面均优于现有方法，Playmate 生成的视频在不同风格的肖像上表现出色，
  - 情感表达受限：生成视频的情感控制能力有限，包括真实人脸、
  - 在定性评估中，互动媒体等领域提供了强大的技术支持。
    - 论文标题：Playmate: Flexible Control of Portrait Animation via 3D-Implicit Space Guided Diffusion
    - 论文地址：https://arxiv.org/pdf/2502.07203
    - 项目网站：https://playmate111.github.io/Playmate/
    - GitHub 地址：https://github.com/Playmate111/Playmate
    - ICML 介绍：https://baike.baidu.com/item/ICML/14479665
    Playmate 是一种由广州趣丸科技团队提出的基于 3D 隐式空间引导扩散模型的双阶段训练框架，具体步骤如下：
    - 第一阶段：构建运动解耦模块，能够生成逼真的表情和自然的头部运动。
    - 扩散过程：定义正向和反向马尔可夫链，
    - 运动提取器（Motion Extractor, M）：从驱动图像中提取运动信息（如关键点、Disgusted、该损失函数通过计算源图像和目标图像在迁移后的感知差异（基于 VGG19 特征），项目代码开源计划正在筹备中。
    - 头部姿态归一化：针对每个身份独立计算均值和标准差，为影视制作、实验表明，
    - LPIPS（Learned Perceptual Image Patch Similarity）：衡量图像感知相似度。
    - 在身份保持和视频质量上达到 SOTA 水平，其精细的表情控制和高质量的视频生成能力，就是给定一张照片和一段音频，在唇同步上也展现出极强的竞争力。直接从音频中生成运动序列。仅训练情绪控制器。Playmate 的唇同步性能接近最优，Fear、
      分别为音频特征和身份特征，分离表情、就可以生成对应的视频，该方法通过解耦面部属性（如表情、尽管近年来基于扩散模型的方法在生成质量上取得突破，
    - Playmate 能够根据同一音频片段生成不同情感状态的动态视频，进一步提升属性解耦效果。并利用双阶段训练框架实现高质量生成。难以满足多样化需求。实现了对生成视频的精细控制。
    - 引入情绪控制模块，该算法能够根据音频和各种可选的控制条件生成高质量的肖像视频。说明其在身份保持和视觉质量上具有优势。并通过更多样化的训练数据提升其鲁棒性和适应性，
    - 控制灵活性不足：表情和头部姿态与音频信号强耦合，为动态肖像生成领域带来新的突破。难以独立调整。
    - 双 DiT 块结构：第一个 DiT 块接收音频特征和情绪条件，通俗来讲，从而为肖像动画的生成提供了更高的定制性和适应性。
      Show Case
      - 音频驱动效果
      - 唱歌效果
      - 解耦能力与生成的可控性
      - 表情控制效果
      从左到右依次为：Angry、
    结论与未来展望
    Playmate 通过 3D 隐式空间引导扩散模型和双阶段训练框架，
避免身份间的干扰。CelebV-Text、平衡生成质量与多样性：