1080Ti 就搞定最新 SOTA 模型？一个普通研究生勇敢发毕业论文引起热议 / 四六文摘

转自 | 新智元

来源 | Reddit

编辑 | 好困

大厂用成千上万张显卡训练的SOTA模型已经看腻了？这次我们来看看「小作坊」训练的模型如何。

慕尼黑大学的研究生做了一个Deep Fake模型，只用了300万个参数和一个1080Ti，搞定！堪比SOTA！

虽然作者是这么说的，但是从他发布的成果上来看，有些一言难尽。

左边是原本的视频，右边是提供声音的素材，中间是生成的Deep Fake视频

由于样本只提供音频素材，所以声音还是样本的声音，听起来违和感简直要溢出屏幕了。好在不会出现像其他一些视频那样把整张脸贴上去那么搞笑。

网友用FakeAPP生成的视频

作者表示，和一些SOTA模型相比，论文的方法除了具有较低的嘴唇同步误差，同时在图像质量方面要优于所有方法。

从左到右依次是：原视频，文章的方法, Neural Voice Puppetry，Wav2Lip和Wav2Lip GAN

全连接网络就够了

模型基于3D可变形人脸模型 (3DMM)，并具有 3D 面部的位置编码和从英语语音中提取的音频特征。

对于给定的语音，模型可以预测中性空间的RGB颜色和3D顶点位移。音频特征向量过滤的时间稳定性可以提供平滑的唇音同步。

文章表示，模型可以接受任意音频输入，并生成逼真的面部图像。

模型首先提取梅尔频率倒谱系数（MFCC）特征，音频的嵌入由Wav2Lip编码器生成。

然后，变形（deformation）网络输出人物面部形状的网格，且不受3DMM的限制，并在之后利用恒等函数对3D形状进行优化。

最后，由音频驱动的图像由颜色（color）网络输出。

为了将输出图像嵌入到背景中，需要单独训练另一个基于背景和先前输出的合成网络。

模型每个部分的输出，从左至右：变形网络、颜色网络、合成网络

再来一个例子，从左至右依次是：原始的视频，渲染后的视频，仅用于获取音源的视频。

网友表示：你这个不行啊

对于项目本身，评价基本是负面的。

「那么，这与在奥巴马的静音视频上播放音频的结果有什么不同呢？」

「奥巴马的嘴唇似乎并没有遵循着说话的轨迹」

不仅如此，对于Deep Fake这类的研究，网友普遍对其伦理道德方面表示担忧。

「有时我想到这些技术是如何被滥用的，这让我对未来感到有点难过」

「它不仅会陷害无辜者，也会为有罪者提供合理的推诿」

「所以你决定既要改进deep-fake，又要使用凯文-史派西（有道德污点）。你基本上是每个人工智能伦理学家最糟糕的噩梦。」

这件事从另一个方面告诉我们，不要把自己的毕业论文发出来，难道来自导师的嘲讽还不够么😂

论文地址：

https://www.dropbox.com/s/o0hk73j1dmelcny/ThesisTUM.pdf?dl=0

参考资料：

https://zielon.github.io/face-neural-rendering/

1080Ti 就搞定最新 SOTA 模型？一个普通研究生勇敢发毕业论文引起热议