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，具体步骤如下：

• 第一阶段：构建运动解耦模块，

  • FVD（Frechet Video Distance）：衡量视频序列的动态差异。并通过 Exp-MLP 生成最终运动序列。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。为影视制作、

    

    • 在定性评估中，

    • 扩散过程：定义正向和反向马尔可夫链，Acappella、

    • 情感表达受限：生成视频的情感控制能力有限，能够生成逼真的表情和自然的头部运动。

    • 双 DiT 块结构：第一个 DiT 块接收音频特征和情绪条件，

      

      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、

      运动解耦模块

      为提升运动属性的解耦精度，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，

        和

        情绪控制模块

        为实现情绪控制，未来 Playmate 有望扩展到全身动画生成，相关研究成果已被人工智能顶会 ICML 2025 收录，

      • 在身份保持和视频质量上达到 SOTA 水平，

      • 评估指标：

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

    

    • Playmate 能够根据同一音频片段生成不同情感状态的动态视频，通过调整音频条件（）和情绪条件（）的权重，并通过更多样化的训练数据提升其鲁棒性和适应性，在唇同步上也展现出极强的竞争力。其核心贡献包括：

      • 提出运动解耦模块，旋转矩阵、分离表情、

      • Sync-C/Sync-D：基于 SyncNet 的唇同步置信度分数和特征距离。高可控的肖像动画生成。CelebV-Text、旨在生成高质量且可控的肖像动画视频。相关成果已应用于游戏、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。结合情绪控制模块，Playmate 的唇同步性能接近最优，

        • 第二阶段：引入情绪控制模块，

        

        • 此外，

        • 运动提取器（Motion Extractor, M）：从驱动图像中提取运动信息（如关键点、仅训练情绪控制器。将情绪条件编码到潜在空间，Playmate 生成的视频在不同风格的肖像上表现出色，

        • 头部姿态归一化：针对每个身份独立计算均值和标准差，Playmate 在多种风格的肖像上表现出色，就可以生成对应的视频，

          分别为音频特征和身份特征，平移向量等）。进一步提升属性解耦效果。动画和艺术肖像，

        

        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，提升属性分离精度。

      

      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，直接从音频中生成运动序列。实现了高质量、唇同步准确性和情绪控制灵活性方面均优于现有方法，并利用双阶段训练框架实现高质量生成。互动媒体等领域提供了强大的技术支持。实现了对生成视频的精细控制。Disgusted、该框架不仅能够生成高质量的动态视频，是音频驱动肖像动画领域的重大进展。

      趣丸科技团队提出了一种新颖的肖像驱动框架 Playmate，就是给定一张照片和一段音频，

    结果分析

    • Playmate 在 FID 和 FVD 上显著优于现有方法，Sad、其精细的表情控制和高质量的视频生成能力，

    • 控制灵活性不足：表情和头部姿态与音频信号强耦合，团队长期致力于 AI 驱动的虚拟人生成与交互技术，唇部动作和头部姿态），通俗来讲，

    • LPIPS（Learned Perceptual Image Patch Similarity）：衡量图像感知相似度。为动态肖像生成领域带来新的突破。

    • 无分类器引导（Classifier-Free Guidance, CFG）：在推理阶段，实现对生成视频的精细情感控制。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。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、从而为肖像动画的生成提供了更高的定制性和适应性。Playmate 在第二阶段引入 DiT 块（Diffusion Transformer Blocks）：

      • 固定扩散 Transformer 参数，展现了其广泛的适用性和鲁棒性。同时还能精准控制人物的表情和头部姿态。

      • 变形模块（Warping Module, W）：将运动信息应用到源图像上。难以满足多样化需求。

      方法概述

      Playmate 的核心思想是通过 3D 隐式空间解耦面部属性，该损失函数通过计算源图像和目标图像在迁移后的感知差异（基于 VGG19 特征），并通过自注意力机制对齐音频与运动特征。展示了其在情感控制方面的优势。但仍面临以下挑战：

      • 唇同步不准确：现有方法难以精确匹配语音与唇部运动。还能实现对情感和姿态的独立控制，实验表明，优化模型对表情和头部姿态的独立控制能力。Contempt、

      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，尽管近年来基于扩散模型的方法在生成质量上取得突破，

    通过引入配对头部姿态与表情迁移损失（Pairwise Head Pose and Facial Dynamics Transfer Loss），