只要输入一张静态的老婆，就能让她动起来，会张嘴会眨眼，还能东张西望，抬眼看天。仿佛成了3D老婆。

并且，你想让妹子怎样动，姿势都可以定制。比如，渴望她一直对你wink，就调眼睛的参数：

这里有一只造福人类的AI，作者是名叫Pramook Khungurn的死宅少年。

此宅因长期沉迷虚拟偶像小姐姐，想到用深度学习自己做一只，结果成功了。

他把喜讯发上Reddit，7小时热度便突破200点。楼下有小伙伴发来贺电：

为了科学！

完全无法反驳。

既然如此，背后的科学究竟是怎样的？

静态老婆动起来

我们先粗略了解一下，打造一只虚拟老婆，原本是个怎样的技术任务。

Pramook说，至少得有一个人物模型，ta的动作要能控制：

一种方法是做3D模型，有些虚拟偶像 (VTuber) 的确是这样诞生的。只是比较贵，需要人物设计师和3D建模师，一人很难完成。如果是没有艺术技能的普通人类，就更做不到了。

另一种是做2D模型，成本比较低，这种方法制造的VTuber更常见。2D人物的动作也会简单一些。

于是Pramook明白了，2D老婆更容易获得。但即便这样，2D模型还是分成几个可动的部分，建模师要把这些部分的动作整合到一起，依然非常耗时。

既然如此，作为一只合格的技术宅，当然要用深度学习，把手动2D建模的繁琐步骤跳过去，直接用一张静态图，生成会动的老婆了。(至于静态图从哪来，有GAN可以直接生成啊↓↓↓)

少年打定主意之后，第一步就是要搞个数据集，才好训练算法：

自制数据集

这里需要的是，标注好姿势的脸部数据集。

如果是真实人脸，就有EmotioNet这样的数据集可以用。但二次元应该还没有这样直接可用的数据集。

少年机智地想到，虽然自己要的是2D老婆，但训练数据可以用3D模型来提取。熟悉初音的他，知道MikuMikuDance里面有大量的3D模型，于是下载了8000多个虚拟人物。

这些人物的动作都可以控制，只要想到一个姿势，就能渲染出一张这种姿势的图片来。

每个3D模型都可以得出成百上千张图，8000多个模型合在一起，就是很大的数据集了。

一个训练实例分三张图，第一张是原图 (直视前方) ，第二张是表情修改后的图 (如闭眼/闭嘴) ，第三张是在第二张基础上转动了脸的朝向。

表情的变化，是由6个参数决定的：两个负责眼睛开闭，一个负责嘴巴开闭，还有三个负责脸部转向 (x、y、z轴) 。

数据集有了，算法又是怎样的呢？

两步走

一是表情变化器 (Face Morpher) ，二是脸部旋转器 (Face Rotator) 。

表情变化器比较简单，少年借用了中选ECCV 2018的GANimation算法：

原理是，把从原图到第二张图之间要发生的变化，用另一张图表示出来。

然后用一个Alpha Mask，把这张图片和原图结合起来，就有了第二张图 (Mask也是网络自己生成的) 。

这个算法很适合用来修改图像的一小部分，比如闭眼。

脸部旋转器就复杂一些，用到了两个互补算法。

其中一个依然是GANimation (下图红框) ，原本它只用来改变表情，但少年又让它去做脸部旋转了。

另一个是来自Zhou等人2016年的视角合成算法 (下图蓝框) ，用来让图片里的3D物体转起来。要做到这一点，网络会计算出一个外观流 (Appearance Flow) ：它知道，输出的每个像素，色彩是来自输入中的哪个像素。

外观流擅长保存原图的纹理，生成精细的结果，但不擅长脑补旋转之后才露出的部分 (如下图a) ；

而GANimation生成的图像比较模糊，却能脑补出旋转前没有露出的部分 (如下图b) 。

最后，把两个互补算法输出的结果合为一体，用到的主要是U-Net结构。

现在观看一下成果吧。

顺利迁移

首先，既然AI是用3D模型里提取的图片训练的，就先用3D模型的图片测试一下：

3D考试顺利通过。

那么，输入2D图片也能行么？试一下手绘图：

AI依然没有被难住，不论输入的是彩虹社虚拟偶像的照片，还是用Waifulabs自动生成的新妹子 (上图右) 。

不过，这还不算完。

还能怎么玩

和一个面部追踪算法搭配食用，就能让妹子随着视频里的人脸，做出一样的动作。

比如，输入一段奥巴马的视频，妹子就学着他说起话来：

大叔变老婆，一点也不难。这就是虚拟偶像的本质吧 (误) 。

另外，视频不一定要从网上找，也可以自己录，作者Pramook已经试过了：

这样，教二次元老婆用温柔的表情，说出爱你的话，就可以顺畅地恋爱了。要是找不到可爱的声优，可以考虑一下谷歌娘啊。

一切就等算法开源啦。

论文传送门：
https://pkhungurn.github.io/talking-head-anime/

— 完 —

“