CVPR2022 前沿研究成果解读：基于生成对抗网络的深度感知人脸重演算法

凭借在人脸生成领域的扎实积累和前沿创新，阿里云视频云与香港科技大学合作的最新研究成果《基于生成对抗网络的深度感知人脸重演算法 》（Depth-Aware Generative Adversarial Network for Talking Head Video Generation）被 CVPR2022 接收。本文为最新研究成果解读。

论文题目：《Depth-Aware Generative Adversarial Network for Talking Head Video Generation》
arxiv链接：https://arxiv.org/abs/2203.06605

人脸重演算法将使视频编解码有新突破？

近年来随着视频直播的大火，越来越多的人开始关注视频云领域。而视频传输的低延迟，高画质，一直是难以平衡的两个点。当前直播延时最低可以降到 400ms 以内，但是在视频会议等各场景的需求不断增加的情况下，比如远程 PPT 演示，我们对画质和延迟的平衡有着更高的要求。而突破直播延迟的关键是编解码技术的提升，人脸重演算法与编解码技术的结合，在视频会议场景的应用中将使带宽需求大幅减少，而获得更具身临其境的体验，这是迈向超低延时优画质视频会议非常重要的一步。

人脸重演（face reenactment/talking head）算法是指，利用一段视频来驱动一张图像，使图像中的人脸能够模仿视频中人物的面部姿态、表情和动作，实现静态图像视频化的效果。

图 1

人脸重演发展现状

目前的人脸重演方法严重依赖于从输入图像中学习到的 2D 表征。然而，我们认为稠密的 3D 几何信息（例如：像素级深度图）对于人脸重演非常重要，因为它可以帮助我们生成更准确的 3D 人脸结构，并将噪声和复杂背景与人脸区分开来。不过，稠密的视频 3D 标注代价高昂。

研究动机&创新点

在本文中，我们介绍了一种自监督的 3D 几何学习方法，可以在不需要任何 3D 标注的情况下，从视频中估计出头部深度（depth maps）。我们进一步利用深度图来辅助检测人脸关键点，从而捕捉头部的运动。此外，深度图还用于学习一种 3D 感知的跨模态注意力（3D-aware cross-model attention），以指导运动场（motion field）的学习和特征的形变。

图 2

图 2 展示了本文提出的 DA-GAN 的 pipeline，它主要包含三部分：

（1）深度估计网络\( F_d \)，我们通过自监督的方式估计稠密的人脸深度图；

（2）关键点检测网络\( F_{kp} \)，我们将由深度图表征的 3D 几何特征与由 RGB 图的外观特征进行拼接，以预测更为准确的人脸关键点；

（3）人脸合成网络，它又可以分为一个特征形变模块和一个跨模态注意力模块。

特征形变模块将输入的稀疏关键点转化为稀疏运动场（sparse motion field），随后学习得到稠密运动场（dense motion field），并用其对图像特征进行扭曲（warping）。

跨模态注意力模块利用深度特征学习得到注意力图（attention maps），以捕捉更多动作细节并修正人脸结构。两个模块的结构可见图 3 和图 4。

图 3

图 4

实验结果

定量实验

我们在 VoxCeleb1[1] 和 CelebV[2] 数据集上进行了实验。

我们使用 structured similarity (SSIM) 和 peak signal-to-noise ratio (PSNR) 来评估结果帧和驱动帧的相似度；

使用 average keypoint distance (AKD) 和 average euclidean distance (AED)[3] 来评估关键点的准确性，使用 CSIM[4] 来评估身份保持；

使用 PRMSE 来评估头姿保持，使用 AUCON 来评估姿态保持。

定量对比

表 1

表 2

表 3

表 1 和表 2 是 DA-GAN 与主流人脸重演方法在 VoxCeleb1 数据集上的定量对比，表 3 是 DA-GAN 与主流人脸重演方法在 CelebV 数据集上的定量对比。

定性对比

图 5 是 GA-GAN 与主流人脸重演方法的定性对比。实验表明，本文提出的 DA-GAN 在各项指标以及生成效果上上均优于其它算法。

图 5

消融实验（Ablation study）

图 6 是 ablation study 的结果，可以看到，自监督深度估计和跨模态注意力模块都显著提升了合成人脸的细节和微表情。

图 6

研究总结

通过以上的的结果，可以看出人脸重演算法可以实现更为精细的人脸细节和微表情合成。在视频会议场景中，用 talking head 的方法，在通信过程中可以只传输关键点坐标，而不需要传输每帧图像，在接收端可以通过输入关键点恢复每一帧的图像，大幅降低带宽需求，从而获得画质优良的低延时视频会议体验。

「视频云技术」你最值得关注的音视频技术公众号，每周推送来自阿里云一线的实践技术文章，在这里与音视频领域一流工程师交流切磋。公众号后台回复【技术】可加入阿里云视频云产品技术交流群，和业内大咖一起探讨音视频技术，获取更多行业最新信息。