AniPortrait

AniPortrait简介

AniPortrait是由腾讯开源的一款照片对口型AI视频生成框架，旨在通过音频和一张参考肖像图片生成高质量的动画。该框架分为两个关键步骤：首先，从音频中提取3D面部特征并转换为2D面部标记点；其次，利用扩散模型和运动模块，将这些标记点转化为连贯且逼真的动画。AniPortrait的优势在于其生成的动画具有高度自然性和多样性，同时具备灵活的编辑能力。

AniPortrait的资源链接

• GitHub代码库：https://github.com/Zejun-Yang/AniPortrait
• arXiv研究论文：https://arxiv.org/abs/2403.17694
• Hugging Face模型：https://huggingface.co/ZJYang/AniPortrait/tree/main
• Hugging Face Demo：https://huggingface.co/spaces/ZJYang/AniPortrait_official

AniPortrait的功能特性

• 音频驱动的动画生成：AniPortrait可以根据输入的音频文件自动生成与语音同步的面部动画，包括嘴唇的运动、面部表情和头部姿势。
• 高质量的视觉效果：通过使用扩散模型和运动模块，AniPortrait能够生成高分辨率、视觉上逼真的肖像动画，提供出色的视觉体验。
• 时间一致性：该框架确保动画在时间上的连贯性，使得动画中的角色动作流畅自然，没有突兀的跳跃或不一致。
• 灵活性和可控性：利用3D面部表示作为中间特征，AniPortrait提供了对动画编辑的灵活性，允许用户对生成的动画进行进一步的定制和调整。
• 面部表情和嘴唇动作的精确捕捉：通过改进的PoseGuider模块和多尺度策略，AniPortrait能够精确捕捉和再现嘴唇的微妙动作和复杂的面部表情。
• 与参考图像的一致性：框架通过整合参考图像的外观信息，确保生成的动画在视觉上与原始肖像保持一致，避免了身份不匹配的问题。

AniPortrait的工作机制

AniPortrait主要由两个模块组成：Audio2Lmk和Lmk2Video。

Audio2Lmk模块的目标是从音频输入中提取一系列面部表情和嘴唇动作的3D面部网格和头部姿势信息。首先，使用预训练的wav2vec模型来提取音频特征，然后通过两个全连接层将音频特征转换为3D面部网格。对于头部姿势的预测，使用独立的wav2vec网络，并通过变压器解码器和交叉注意力机制将音频特征整合到解码器中。最终，通过透视投影将3D网格和姿势信息转换为2D面部标记点序列。

Lmk2Video模块负责根据参考肖像图像和一系列面部标记点生成时间上一致的高质量肖像视频。该模块借鉴了AnimateAnyone的网络架构，并采用Stable Diffusion 1.5作为骨干，结合时间运动模块。引入了与SD1.5结构相同的ReferenceNet，用于从参考图像中提取外观信息，并将其整合到骨干网络中。为了提高对嘴唇动作的捕捉精度，增强了PoseGuider模块的设计，采用了ControlNet的多尺度策略，并通过交叉注意力模块促进参考标记点与每一帧目标标记点之间的交互。