众所周知,视频不能 P,GAN 模型:是吗?

本篇文章给各位网友带来的资讯是：“众所周知，视频不能 P”，GAN 模型：是吗？P 视频来了 详情请欣赏下文

见过用 GAN 来 P 图，见过用 GAN P 视频吗？瞧，原本一直在面无表情地讲话的人，全程露出了微笑；原本得 4、50 岁的人，直接变 20 几岁了：

另一边，正在微笑唱歌的“赫敏”一下子愤怒起来，还能换上一张几岁小孩的脸：

美国前总统也如此，4 种版本的面部状态信手拈来，甚至连性别都给 P 成女的了：

不管人脸表情和状态如何变化，这些视频都没有给人任何违和感，全程如此的丝滑～哦对，除了真人，动漫视频里的脸也可以 P：

有点厉害了。

基于 GAN 的视频面部编辑

这个模型出自以色列特拉维夫大学。

众所周知，GAN 在其潜空间内编码丰富语义的能力，已经被广泛用于人脸编辑。不过将它用在视频中还是有点挑战性：一个是缺乏高质量数据集，一个是需要克服时间一致性 （temporal coherency）这一基本障碍。

不过研究人员认为，第二点这个障碍主要是人为的。因为原视频本具备时间一致性，编辑后的视频却变了，部分原因就是在 editing pipeline 中对一些组件（component）处理不当。而他们提出的这个视频人脸语义编辑框架，相对于当前技术水平做出了重大改进：只采用了标准的非时序 StyleGAN2，对 GAN editing pipeline 中的不同组件进行分析，确定哪些组件具备一致性，就用这些组件来操作。整个过程不涉及任何用来维持时间一致性的额外操作。具体流程一共分为六步：

1、输入视频首先被分割成帧，每帧中的人脸都被裁剪下来并对齐；

2、使用预训练的 e4e 编码器，将每张已裁剪的人脸反演到预训练的 StyleGAN2 的潜空间中；

3、在所有并行帧中使用 PTI（最新提出的一种视频人脸编辑方法）对生成器进行微调，纠正初始反演中的错误，恢复全局一致性；

4、所有帧通过使用固定的方向和步长，线性地操纵其轴心潜码（pivot latent codes）进行相应编辑；

5、再次微调生成器，将背景和编辑过的人脸“缝合”在一起；

6、反转对齐步骤，并将修改后的人脸粘贴回视频中。

△ 注意颈部曾产生了大量瑕疵，在最后一步完全修复好

和 SOTA 模型对比

这个模型效果到底有多好，来个对比就知道：

第一个是变年轻、第二、三个都是变老。可以明显看到目前的 SOTA 模型（Latent Transformer）和 PTI 模型中的人脸会“抽巴”，并出现一些伪影，而这个新模型就避开了这些问题。

此外，研究人员还进行了时间一致性测试。指标包含两个：

局部时间一致性（TL-ID），通过现成的一致性检测网络来评估相邻两帧之间的一致性。TL-ID 分数越高，表明该方法产生的效果越平滑，没有明显的局部抖动。

全局时间一致性（TG-ID），同样使用一致性检测网络来评估所有可能的帧（不一定相邻）之间的相似性。得分为 1 表示该方法成功保持了和原视频的时间一致性。

结果如下：

可以看到，这个新模型在两项指标中都略胜一筹。

最后，代码将于 2 月 14 号发布，感兴趣的朋友可以蹲一蹲了～

论文地址：

https://arxiv.org/abs/2201.08361

项目主页：

https://stitch-time.github.io/