一張照片生成3D頭像！蘋果新模型擊敗StyleGAN2，表情光線都能調(diào)

明敏 2023-05-02 12:28:21 來源：量子位

克雷西 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

隨便一張照片，就可生成3D頭像。而且光線真實(shí)，任意角度可調(diào)。

這是蘋果的最新黑科技生成框架FaceLit。

正如其名，F(xiàn)aceLit的特色就是可以將人臉“點(diǎn)亮”。

“自帶光環(huán)”的FaceLit在易用性上也不輸同類，甚至更勝一籌——

進(jìn)行3D建模時，需要的照片素材無需專門選擇角度，數(shù)量上也只需一張。

甚至對表情、發(fā)型、眼鏡等元素進(jìn)行調(diào)節(jié)時，也不需要額外素材。

而傳統(tǒng)的頭像合成工具或者需要多張圖片才能工作，或者對照片角度有刁鉆的要求。

正是憑借這一創(chuàng)新，F(xiàn)aceLit獲得了3.5的FID評分，較同類產(chǎn)品直接高出了25%。

改進(jìn)式EG3D合成人像，光線信息單獨(dú)處理

下面就來看一下FaceLit具體是如何實(shí)現(xiàn)頭像合成的。

總的來說，蘋果采用了將人物本體與光線分別處理再進(jìn)行疊加的策略。

早期的三維人像合成工具在轉(zhuǎn)換過程中可能產(chǎn)生形變。

而爆火的NeRF通過將場景拆分成具體因素，提高了3D圖像合成效果，改善了這一問題。

但蘋果團(tuán)隊認(rèn)為，在可控性方面，NeRF仍存有不足之處。

于是，在EG3D框架的基礎(chǔ)上，蘋果創(chuàng)造了FaceLit的合成模型。

EG3D通過三平面解碼器，賦予了二維卷積神經(jīng)網(wǎng)絡(luò)生成渲染3D模型所需深度參數(shù)的能力。

蘋果團(tuán)隊對標(biāo)準(zhǔn)的EG3D訓(xùn)練方式進(jìn)行了擴(kuò)展，并將之轉(zhuǎn)化成了FaceLit框架。

△FaceLit與傳統(tǒng)EG3D渲染流程對比圖

標(biāo)準(zhǔn)的ED3G使用相機(jī)位置p參數(shù)作為基本輸入?yún)?shù)。

在建立GAN2操作時，蘋果在EG3D的基礎(chǔ)上加入了光照參數(shù)l。

△不同p(左→右)與l(上→下)值下的初始圖像

蘋果選擇了經(jīng)過球形諧波方式簡化后的Phong反射模型作為處理光源的物理基礎(chǔ)。

光照參數(shù)l就是在這一基礎(chǔ)之上獨(dú)立處理得到的。

在自然界中，反射包括鏡面反射和漫反射兩種形式。

△不同鏡面反射率條件下的效果對比

因此，蘋果在ED3G模型中加入了鏡面反射解碼器和漫反射解碼器。

它們替代了可以直接得到顏色c、密度σ數(shù)據(jù)的三平面解碼器。

△反射解碼器流程示意圖

通過對GAN2產(chǎn)生的數(shù)據(jù)進(jìn)行再次解碼，可以得到鏡面反射率ks和漫反射率kd。

然后再通過兩種反射著色器得到顏色c，密度σ則由漫反射解碼器計算得出。

最終，F(xiàn)aceLit以與三平面解碼器相同的參數(shù)（c，w，σ）渲染圖像，并進(jìn)行分辨率優(yōu)化。

有的放矢設(shè)計訓(xùn)練策略，數(shù)據(jù)無需人工標(biāo)注

生成框架已有，那就來到訓(xùn)練階段，其特點(diǎn)在于訓(xùn)練過程中無需人工標(biāo)注。

方法論層面，在訓(xùn)練時，團(tuán)隊使用了FFHQ、MetFaces和CelebA-HQ數(shù)據(jù)集。

對于不同的數(shù)據(jù)集，蘋果使用了不同的訓(xùn)練方式。

FFHQ包含了7萬余條人臉數(shù)據(jù)，其訓(xùn)練分為兩個階段：先在較低的分辨率下訓(xùn)練，再提高分辨率再次進(jìn)行。

對于包含2萬數(shù)據(jù)量的CelebA-HQ，訓(xùn)練不需要分階段進(jìn)行。

而對于更小的MetFAces，則只需要通過ADA擴(kuò)容的方式，使用預(yù)訓(xùn)練的FFHQ進(jìn)行優(yōu)化調(diào)整即可。

定性地看，訓(xùn)練結(jié)果在機(jī)位、光源和反射高光等方面都有出色的表現(xiàn)，圖中的細(xì)節(jié)也有所增強(qiáng)。

△FaceLit生成的頭像（左側(cè)四列）唇齒部位的細(xì)節(jié)進(jìn)行了明顯重構(gòu)

定量結(jié)果同樣表明，F(xiàn)aceLit在FID、KID等指標(biāo)上均優(yōu)于包括標(biāo)準(zhǔn)EG3D在內(nèi)的傳統(tǒng)生成方式。

在使用FFHQ作為訓(xùn)練集的條件下，各生成方式的表現(xiàn)如下表，不難看出FaceLit擁有最低的FID和KID值。

而相比于英偉達(dá)的StyleGAN2，F(xiàn)aceLit的表現(xiàn)依舊出色：

光線準(zhǔn)確度方面，F(xiàn)aceLit在使用三種不同訓(xùn)練數(shù)據(jù)集的情況下，與人工設(shè)定的標(biāo)準(zhǔn)值平均均方誤差均低于0.01。

網(wǎng)友：人們低估了蘋果AI

消息發(fā)出后，便有網(wǎng)友認(rèn)為“這是對更重磅產(chǎn)品的預(yù)熱”。

更有網(wǎng)友直接推測，F(xiàn)aceLit的出現(xiàn)標(biāo)示著人工智能將進(jìn)軍AR和VR領(lǐng)域，蘋果的混合現(xiàn)實(shí)將最終實(shí)現(xiàn)商用……

也有網(wǎng)友認(rèn)為，F(xiàn)aceLit不會商用，否則蘋果才不會以論文的形式發(fā)表。

針對FaceLit本身，也有網(wǎng)友表示，除了LLM，其他都是浮云，他們（蘋果）如果不開發(fā)LLM，就沒有未來。

但這位網(wǎng)友同時也說，蘋果可能已經(jīng)在做（LLM）了。

相應(yīng)的，也有網(wǎng)友稱人們“低估了蘋果在AI領(lǐng)域的深度”。

所以各位網(wǎng)友對蘋果在AI領(lǐng)域還有什么樣的期待呢？

論文地址：
https://arxiv.org/abs/2303.15437
GitHub地址：
https://github.com/apple/ml-facelit
參考鏈接：
https://twitter.com/AlphaSignalAI/status/1648361623004774400