击败扩散和非扩散夺得SOTA！FLOAT：基于流匹配的音频驱动说话者头像生成模型

文章主旨：

FLOAT是一种基于流匹配的音频驱动说话者头像生成模型，通过运动隐空间和Transformer架构实现高效且自然的时间一致性视频生成。

关键要点：

• FLOAT通过转移生成建模到运动隐空间，优化时间一致性和生成效率。
• 引入基于Transformer的流向量场预测器，支持语音驱动的情感控制和自然动作生成。
• 相比扩散和非扩散方法，FLOAT提升了视觉质量、运动逼真度和采样效率。
• 采用语音情感预测器，将情感标签纳入驱动条件，使生成动作更表达自然情感。
• 实验结果显示FLOAT在视觉质量、唇同步等方面优于现有方法，同时显著提高了生成效率。

内容结构：

• 解决的问题：
  • 扩散模型中的迭代采样导致时间一致性问题。
  • 提高生成效率的快速采样需求。
  • 音频驱动头像动画中的自然情感融入挑战。
• 提出的方案：
  • 采用运动隐空间替代像素隐空间，提升时间一致性设计效率。
  • 通过基于Transformer的向量场预测器实现逐帧条件机制。
• 技术实现：
  • 利用运动自动编码器构建运动隐空间。
  • 通过流匹配方法生成隐空间变量并解码为视频帧。
  • 引入语音驱动的情感标签，加强自然动作生成。
• 实验与评估：
  • 使用公开数据集完成训练和测试，验证生成质量与效率。
  • 进行消融实验对比不同架构与参数设置的影响。
  • 用户研究显示FLOAT在感知质量上优于基线模型。
• 结论：
  • FLOAT通过流匹配和Transformer架构实现了高效、自然且情感丰富的说话者头像生成。
  • 在视觉质量、运动逼真度和采样效率方面超越了现有方法。

文章总结：

FLOAT以技术创新解决了音频驱动生成模型中的时间一致性和情感表达问题，展示了在生成质量和效率方面的显著优势，值得进一步探索与应用。

AI生成未来

查看原文：击败扩散和非扩散夺得SOTA！FLOAT：基于流匹配的音频驱动说话者头像生成模型

文章来源：

AI生成未来

扫码关注公众号