宋奇

受新冠疫情的影響，加速了各行業(yè)企業(yè)移動化辦公的需求，這期間，有大量的用戶和企業(yè)選擇了線上視頻會議。那么，應(yīng)該如何在視頻會議中展現(xiàn)更完美的自己呢？

近日，2021年國際計算機視覺與模式識別會議（CVPR 2021）正式召開。基于GAN研究的NVIDIA Maxine云AI視頻流SDK現(xiàn)已在CVPR 2021上展出。讓我們看一看GAN研究是如何重塑視頻會議的呢？

起床、啟動筆記本電腦、打開網(wǎng)絡(luò)攝像頭——得益于NVIDIA研究人員開發(fā)的AI技術(shù)，每次都能在視頻通話中展現(xiàn)完美的自己。

Vid2Vid Cameo 是用于視頻會議的NVIDIA Maxine SDK 背后的深度學(xué)習(xí)模型之一，它借助生成式對抗網(wǎng)絡(luò)（GAN），僅用一張人物2D圖像即可合成逼真的人臉說話視頻。

要使用該模型，參與者需要在加入視頻通話之前提交一張參照圖像（真實照片或卡通頭像）。在會議期間，AI模型將捕捉每個人的實時動作，并將其應(yīng)用于之前上傳的靜態(tài)圖像。

也就是說，上傳一張穿著正裝的照片之后，與會人員即使頭發(fā)凌亂、穿著睡衣，也能在通話中以穿著得體工作服裝的形象出現(xiàn)，因為AI可以將用戶的面部動作映射到參照照片上。如果主體向左轉(zhuǎn)，技術(shù)可以調(diào)整視角，以便參與者看上去是直接面對攝像頭的。

除了可以幫助與會者展現(xiàn)出色狀態(tài)外，這項AI技術(shù)還可將視頻會議所需的帶寬降低10倍，從而避免抖動和延遲。它很快將在NVIDIA Video Codec SDK 中作為AI Face Codec 推出。

NVIDIA研究人員兼項目的聯(lián)合創(chuàng)作者Ming-Yu Liu 表示：“許多人的互聯(lián)網(wǎng)帶寬有限，但仍然希望與朋友和家人進行流暢的視頻通話。這項基礎(chǔ)技術(shù)除了可以為他們提供幫助外，還可用于協(xié)助動畫師、照片編輯師和游戲開發(fā)者的工作?！?/p>

Vid2Vid Cameo近日發(fā)表于著名的國際計算機視覺與模式識別會議，這是NVIDIA在本次虛擬會議上發(fā)表的28篇論文之一。此外，它還在AI Playground上推出，在此所有人均可親身體驗我們的研究演示。

AI大出風頭

在一部經(jīng)典盜賊電影（同時也是Netflix的熱門節(jié)目）的致謝中，NVIDIA研究人員將他們的人臉說話GAN模型迅速用于虛擬會議。演示重點介紹Vid2Vid Cameo的主要功能，包括面部重定向、動畫頭像和數(shù)據(jù)壓縮。

這些功能即將登陸NVIDIA Maxine SDK，為開發(fā)者提供經(jīng)過優(yōu)化的預(yù)訓(xùn)練模型，以便在視頻會議和直播中實現(xiàn)視頻、音頻和增強現(xiàn)實效果。

開發(fā)者已經(jīng)能采用Maxine AI效果，包括智能除噪、視頻升采樣和人體姿態(tài)估計。SDK支持免費下載，還可與NVIDIA Jarvis平臺搭配用于對話式AI應(yīng)用，包括轉(zhuǎn)錄和翻譯。

來自AI的問候

Vid2Vid Cameo只需2個元素，即可為視頻會議打造逼真的AI人臉說話動態(tài)，這2個元素分別是一張人物外貌照片和一段視頻流，它們決定了如何對圖像進行動畫處理。

模型基于NVIDIA DGX系統(tǒng)開發(fā)，使用包含18萬個高質(zhì)量人臉說話視頻的數(shù)據(jù)集進行訓(xùn)練。網(wǎng)絡(luò)已掌握識別20個關(guān)鍵點，這些關(guān)鍵點可用于在沒有人工標注的情況下對面部動作進行建模。這些點對特征（包括眼睛、嘴和鼻子）的位置進行編碼。

然后，它會從通話主導(dǎo)者的參照圖像中提取這些關(guān)鍵點，這些關(guān)鍵點可以提前發(fā)送給其他的視頻會議參與者，也可以重新用于之前的會議。這樣一來，視頻會議平臺只需發(fā)送演講者面部關(guān)鍵點的移動情況數(shù)據(jù)，無需將某參與者的大量直播視頻流推送給其他人。

對于接收者一端，GAN模型會使用此信息，模擬參照圖像的外觀以合成一個視頻。

通過僅來回壓縮及發(fā)送頭部位置和關(guān)鍵點，而不是完整的視頻流，此技術(shù)將視頻會議所需的帶寬降低10倍，從而提供更流暢的用戶體驗。該模型可以進行調(diào)整，傳輸不同數(shù)量的關(guān)鍵點，以實現(xiàn)在不影響視覺質(zhì)量的條件下，適應(yīng)不同的帶寬環(huán)境。

此外，還可以自由調(diào)整所生成的人臉說話視頻的視角，可以從側(cè)邊輪廓或筆直角度，也可以從較低或較高的攝像頭角度來顯示用戶。處理靜態(tài)圖像的照片編輯者也可以使用此功能。

NVIDIA研究人員發(fā)現(xiàn)，無論是參照圖像和視頻來自同一個人，還是AI負責將某個人的動作轉(zhuǎn)移到另一個人的參照圖像，Vid2Vid Cameo均能生成更逼真、更清晰的結(jié)果，優(yōu)于先進的模型。

后一項功能可將演講者的面部動作，應(yīng)用于視頻會議中的數(shù)字頭像動畫，甚至可以應(yīng)用于制作視頻游戲或卡通角色的逼真形象和動作。

Vid2Vid Cameo論文由NVIDIA研究人員Ting-Chun Wang、ArunMallya和Ming-Yu Liu 共同撰寫。NVIDIA研究團隊在全球擁有超過200名科學(xué)家，專注于AI、計算機視覺、自動駕駛汽車、機器人和圖形等領(lǐng)域。

我們要感謝演員Edan Moses，他在Netflix上的《紙鈔屋》中擔任教授的英語配音，感謝他在我們AI研究的介紹視頻中做出的貢獻。

視頻會議現(xiàn)已經(jīng)成為人們?nèi)粘Ｉ畹囊徊糠郑軌驇椭鷶?shù)百萬人工作、學(xué)習(xí)、娛樂，甚至就醫(yī)。NVIDIA Maxine集成了先進的視頻、音頻和對話式AI功能，給那些幫助我們保持聯(lián)絡(luò)的視頻會議平臺帶來效率突破。