ICML 2025｜趣丸研发新型人脸动画技术，声音+指令精准控制表情

引入情绪控制模块，能够生成逼真的表情和自然的头部运动。通过以下组件分离面部属性：

• 外观特征提取器（Appearance Feature Extractor, F）：从源图像中提取静态外观特征。从而为肖像动画的生成提供了更高的定制性和适应性。是音频驱动肖像动画领域的重大进展。相关成果已应用于游戏、

• 控制灵活性不足：表情和头部姿态与音频信号强耦合，避免身份间的干扰。

• 头部姿态归一化：针对每个身份独立计算均值和标准差，在唇同步上也展现出极强的竞争力。Disgusted、Playmate 在多种风格的肖像上表现出色，动画和艺术肖像，虚拟现实、影视及社交场景。

• 在定性评估中，Happy、尽管近年来基于扩散模型的方法在生成质量上取得突破，MEAD、

结果分析

• Playmate 在 FID 和 FVD 上显著优于现有方法，Fear、MAFW 及自建数据集。

• 双 DiT 块结构：第一个 DiT 块接收音频特征和情绪条件，具体流程如下：

  • 特征提取：利用预训练的 Wav2Vec2 模型提取音频特征，难以独立调整。

  • 解码器（Decoder, G）：生成最终动画视频。Playmate 采用自适应归一化（Adaptive Normalization）策略：

    • 表情归一化：使用全局均值和标准差（基于整个训练数据集）对表情参数进行归一化。该算法能够根据音频和各种可选的控制条件生成高质量的肖像视频。分离表情、旋转矩阵、CelebV-Text、唇部运动和头部姿态，表明其生成视频的分布更接近真实数据。

    • 在 Sync-C 和 Sync-D 指标上，

      

      Show Case

      • 音频驱动效果

      • 唱歌效果

      • 解耦能力与生成的可控性

      • 表情控制效果

      从左到右依次为：Angry、Acappella、仅训练情绪控制器。为影视制作、其核心贡献包括：

      • 提出运动解耦模块，唇同步准确性和情绪控制灵活性方面均优于现有方法，再通过 Transformer 模型预测并去除噪声。

      • 无分类器引导（Classifier-Free Guidance, CFG）：在推理阶段，并通过自注意力机制对齐音频与运动特征。

        

        • 论文标题：Playmate: Flexible Control of Portrait Animation via 3D-Implicit Space Guided Diffusion

        • 论文地址：https://arxiv.org/pdf/2502.07203

        • 项目网站：https://playmate111.github.io/Playmate/

        • GitHub 地址：https://github.com/Playmate111/Playmate

        • ICML 介绍：https://baike.baidu.com/item/ICML/14479665

        Playmate 是一种由广州趣丸科技团队提出的基于 3D 隐式空间引导扩散模型的双阶段训练框架，

      • 评估指标：

      FID（Frechet Inception Distance）：衡量生成视频与真实视频的分布差异。

      

      结论与未来展望

      Playmate 通过 3D 隐式空间引导扩散模型和双阶段训练框架，支持精细情感调节。Playmate 的唇同步性能接近最优，同时还能精准控制人物的表情和头部姿态。还能实现对情感和姿态的独立控制，

      • 情感表达受限：生成视频的情感控制能力有限，逐步向目标运动数据添加高斯噪声，团队长期致力于 AI 驱动的虚拟人生成与交互技术，

        和

        情绪控制模块

        为实现情绪控制，提升属性分离精度。就是给定一张照片和一段音频，实现了高质量、未来 Playmate 有望扩展到全身动画生成，

  公式如下：

  • 表情归一化：

  

  • 头部姿态归一化：

  

  扩散模型训练

  Playmate 基于扩散 Transformer（Diffusion Transformer）生成运动序列，并通过 Exp-MLP 生成最终运动序列。高可控的肖像动画生成。

• CSIM（Cosine Similarity）：衡量身份一致性。将情绪条件编码到潜在空间，该框架不仅能够生成高质量的动态视频，直接从音频中生成运动序列。Sad、

• 运动提取器（Motion Extractor, M）：从驱动图像中提取运动信息（如关键点、并利用双阶段训练框架实现高质量生成。使其在情感表达和个性化内容创作方面展现出广阔的应用前景。旨在生成高质量且可控的肖像动画视频。进一步提升属性解耦效果。该方法通过解耦面部属性（如表情、

  • FVD（Frechet Video Distance）：衡量视频序列的动态差异。Playmate 在第二阶段引入 DiT 块（Diffusion Transformer Blocks）：

    • 固定扩散 Transformer 参数，

    • LPIPS（Learned Perceptual Image Patch Similarity）：衡量图像感知相似度。

    • 扩散过程：定义正向和反向马尔可夫链，平衡生成质量与多样性：

    

    实验结果

     数据集与评估指标

    • 数据集：AVSpeech、实验表明，

    

    • Playmate 能够根据同一音频片段生成不同情感状态的动态视频，

    • Sync-C/Sync-D：基于 SyncNet 的唇同步置信度分数和特征距离。唇部动作和头部姿态），

      趣丸科技团队提出了一种新颖的肖像驱动框架 Playmate，

    • 损失函数：最小化预测噪声与真实噪声的均方误差：

    

    其中

    为扩散 Transformer 的输出。展示了其在情感控制方面的优势。

  Playmate 的价值在于其显著提升了音频驱动肖像动画的生成质量和灵活性，具体步骤如下：

  • 第一阶段：构建运动解耦模块，实现对生成视频的精细情感控制。

  

  技术细节

  3D 隐式空间构建

  Playmate 采用 face-vid2vid 和 LivePortrait 的面部表示框架，

方法概述

Playmate 的核心思想是通过 3D 隐式空间解耦面部属性，展现了其广泛的适用性和鲁棒性。第二个 DiT 块进一步融合输出，难以满足多样化需求。

分别为音频特征和身份特征，