本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

想讓名人學著你說話，怎么辦？

很簡單，只要一張名人的照片，配上你說話的視頻，分分鐘就能搞定。

來看下效果：

無論你是擠眉弄眼，還是搖頭晃腦，照片里的名人們都能跟你神同步！

這就是來自意大利特倫托大學的一項研究：

利用一個一階運動模型 (First Order Motion Model)，靜態圖也能動起來，換臉也不在話下。

當然，這么有意思的項目，已經開源了！

一個川普在說話，一群史塔克也有話說

其實，這項研究早在數月前便已發表。

當時用的輸入視頻是川建國同志，靜態照片用的是一組《冰與火之歌》史塔克家族及劇中其他人物圖片。

效果是這樣的：

可以看到，無論川建國同志是眨眼、晃頭，劇中的人物做到了神同步。

就連那張標志性的O型嘴，也“模仿”的惟妙惟肖。

而時隔幾個月，這項技術又在Reddit爆火了起來。

一個可能的原因是，這次輸入的視頻來自流行的短視頻平臺，也就是說我們自己錄一段視頻也能用。

加上效果的逼真、有趣，或許用不了多長時間，短視頻內容平臺可能就會推出這個功能了吧。

當然，這個模型的魔力不止于此。

輸入一個模特換pose的視頻，再配上多張靜態服飾照片，就能批量輸出動態展示服裝的視頻了。

換臉，也是小菜一碟。

不過，也要溫馨提醒一句：慎用靜態照片，不然出來的效果可能就不太像“陽間的東西”了……

一階運動模型

在訓練階段，研究人員采用了大量的視頻序列集合，包含相同類別的對象。模型通過結合視頻中的單幀，和學習到的潛在運動表示，來訓練重構視頻。

在測試階段，研究人員將模型應用于由源圖像和驅動視頻的每一幀組成的對，并執行源對象的圖像動畫。

模型的框架就如下圖所示：

框架主要由2部分構成：運動估計模塊和圖像生成模塊。

運動估計模塊的目的，是預測一個密集的運動場。研究人員假設存在一個抽象的參考框架，并且獨立估計兩個變換，分別是「從參考到源」和「從參考到驅動」。這樣就能夠獨立處理源幀和驅動幀。

研究人員認為這個步驟是必要的，因為在測試時，模型會接收從不同視頻中采樣的源圖像和驅動幀對，它們在視覺上可能非常不同。

在第一步中，研究人員從稀疏軌跡集近似這兩種變換，通過使用以自監督方式學習的關鍵點來獲得。利用局部仿射變換對每個關鍵點附近的運動進行建模。

在第二步中，密集運動網絡結合局部近似得到密集運動場。除此之外，這個網絡還輸出遮擋的mask，指示哪些圖像的驅動部分可以通過源圖像的扭曲(warping)來重建，哪些部分應該被繪制(根據上下文推斷)。

在第三步中，生成模塊按照驅動視頻中，提供的源對象移動的圖像進行渲染。此處，研究人員使用一個生成器網絡，根據密集的運動對源圖像進行扭曲，并對源圖像中被遮擋的圖像部分進行著色。

最后，這個模型已經在GitHub上開源，我們在“傳送門”中已經奉上地址鏈接。

快去試試吧~

傳送門

GitHub項目地址：
https://github.com/AliaksandrSiarohin/first-order-model

論文地址：
https://arxiv.org/pdf/2003.00196.pdf