SimSwap：上海交大提出的新「换脸」算法
共 1488字，需浏览 3分钟
·
2021-06-23 15:00
博雯 发自 凹非寺 量子位 报道 | 公众号 QbitAI 侵删
多么“平平无奇”的一个换脸视频：
DeepFakes等一众换脸神器对此纷纷表示：就这？
但要是从网上的电影场景中，随意抓一把人物图像丢进去呢？
如果要换的这张脸正好在死亡角度，还做了个特别夸张的表情（或者干脆就是个表情包）呢？
水就有点深了哈。
这时，由上交大和腾讯一起搞出来的换脸框架SimSwap表示：让我来，我把握得住！
任意人脸都能换
一直身居换脸界C位的DeepFakes是怎么换脸的呢？
对于同一人脸的大量图片进行分析并提取特征，然后将这种特征替换到目标图像上。
这意味着什么呢？我换一个新脸，就得训练一个新模型。
但SimSwap提出了一种ID注入模块（IIM），在特征层面将源脸的身份信息迁移到目标脸，消除了原图特征信息与解码器的权重之间的相关性。
这样，就将特定人脸互换算法的结构扩展到了任意人脸互换框架。
也就像我们在开头展示的那样，不用精挑细选“正脸”或“中性表情，直接从网上抓一把人物图片，也能够完美换脸。
△所有的目标和原图像都被排除在训练集之外。
这就大大节省了要反复建立新模型的时间和金钱。
死亡角度、夸张表情也不怕
除了泛化到任意人脸变换之外，SimSwap也能更好地保存原图的脸部表情和角度。
不管是表情嘴巴嘟嘟，还是目标图和原图一侧一正两个角度，都能完美换脸。
就算是自下而上的死亡打光图（下图右边第三行），SimSwap也表现得更好。
其实，像这种目标脸属性（表情，姿势，灯光）比较复杂情况下造成的特征损失，一直是换脸面对的困难之一。
表情一夸张，或者处于极端角度和光线下时，就可能导致模糊和伪影。
这是因为在换脸任务中，常常要为了匹配原始特征而删除一些纹理信息，进而使图像的深层特征产生丢失。
此外，由于图像和它的属性在特征层面高度耦合，对于特征的直接修改也会造成图像属性性能的下降。
而SimSwap提出了一种弱特征匹配损失（Weak Feature Matching Loss），保证了输入目标和生成结果在高语义水平上的一致，并使判别器在最后几层计算特征匹配项。
这样，即使没有对特定属性做任何明确的约束，输入图像的属性也能被一种隐式的方式保留。
可以看到，虽然SimSwap在原特征表现上稍微落后，但涉及到脸部姿态这种复杂属性时，它的保存能力更好。
团队介绍
论文的两位共同一作都来自上海交通大学。
而通讯作者倪冰冰为新加坡国立大学博士，现任上海交通大学电子系的特别研究员和博导，主要研究方向是计算机视觉和多媒体计算。
论文地址：
https://arxiv.org/abs/2106.06340
下载地址：
https://github.com/neuralchen/SimSwap
猜您喜欢：
附下载 |《TensorFlow 2.0 深度学习算法实战》