PRZEWODNIK Wizualnej AI

Animacja portretowa z jednego zdjęcia

Animacja portretu z jednego zdjęcia sprawia, że nieruchoma twarz zaczyna się poruszać, w tym obracać, mrugać, zmieniać wyraz lub mówić.

Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~3 min

Na tej stronie4 minuty czytania
  1. Przegląd
  2. Głębokie nurkowanie
  3. Implementacja w świecie rzeczywistym
  4. Przyszłość animacji portretu z jednego zdjęcia
  5. Wdrażanie tego w praktykę
  6. Odkrywaj dalej
  7. Często zadawane pytania

Przegląd

Działa to poprzez przenoszenie ruchu z filmu sterującego lub ścieżki audio na obraz źródłowy. Technologia ta napędza awatary z mówiącymi głowami, animowane zdjęcia rodzinne i filmy z prezenterami, a także budzi obawy dotyczące zgody, ponieważ wystarczy jedno publicznie dostępne zdjęcie.

Głębokie nurkowanie

Every system has four parts: a source image that supplies appearance, a driving signal (a video of another face, or audio), a motion representation, and a generator that warps the source and fills in gaps. The First Order Motion Model (Siarohin et al., NeurIPS 2019) set the template. It learns keypoints without any labels, together with local affine transformations around each one. From the source and driving keypoints it predicts a dense motion field, which is a per-pixel flow, plus an occlusion map marking regions the source image cannot supply. It warps the source's feature maps with the flow and has a decoder paint in the occluded areas. It also uses relative motion transfer: it applies how the driving keypoints move relative to the driving video's first frame, not their absolute positions, so the source keeps its own face shape. SadTalker (CVPR 2023) animates from audio. It predicts 3D Morphable Model coefficients from speech, using ExpNet for expression and PoseVAE for head pose, then renders them through a keypoint-based face generator. LivePortrait, released by Kuaishou in 2024, uses implicit keypoints trained on a large dataset. It adds a stitching module that pastes the animated face back into the full image without misaligned shoulders, and retargeting modules for eye and lip openness. It is fast enough for near real-time use on a GPU. Diffusion-based methods such as Alibaba's EMO and the open Hallo project give more expressive results at much higher compute cost. One photo has no information about the sides of the head, the inside of the mouth or the teeth, so these regions are invented. Large head turns stretch the face, backgrounds and hair may warp along with it, and identity can drift. A common misconception is that these tools build a full 3D model of the person. Even 3DMM-based methods use only an approximate face model.

Implementacja w świecie rzeczywistym

Aplikacja genealogiczna animuje zeskanowane zdjęcie pradziadka, dodając subtelny uśmiech i mrugnięcie. Wygląda to przekonująco przez kilka sekund, ale psuje się, gdy głowa obraca się zbyt mocno.

Zespół e-learningowy wykorzystuje potok w stylu SadTalker, aby przekształcić zdjęcie prezentera i nagranie audio z narracją w kurs wprowadzający z mówiącą głową.

Twórca nagrywa siebie za pomocą kamery internetowej, aby sterować ilustrowanym portretem postaci za pomocą LivePortrait, używając jego narzędzi do retargetingu w celu wyolbrzymienia otwarcia oczu.

Dział weryfikacji oznacza rzekome wideo z prezesem firmy, ponieważ włosy i kolczyki pozostają dziwnie sztywne, podczas gdy twarz się porusza, co sugeruje animację z jednego zdjęcia.

Przyszłość animacji portretu z jednego zdjęcia

Awatary działające w czasie rzeczywistym do rozmów wideo, obsługi klienta i edukacji stają się praktyczne, a modele dyfuzyjne poprawiają sposób, w jaki modele wypełniają niewidoczne obszary, takie jak zęby czy profil. Duże obroty głowy, spójność włosów i akcesoriów oraz długotrwała stabilność tożsamości pozostają trudne. Ponieważ wystarczy jedno zdjęcie, zgoda i ujawnienie informacji są kluczowymi kwestiami. Narzędzia do wykrywania i oznaczanie pochodzenia rozwijają się równolegle z generatorami, ale żadna metoda wykrywania nie jest wystarczająco niezawodna sama w sobie.

Wdrażanie tego w praktykę

Dlaczego to ma znaczenie

  • Szybkość i skala. Wizualna sztuczna inteligencja może automatyzować zadania inspekcji, wykrywania i znakowania na dużą skalę.
  • Buduj wybory. Zespoły kreatywne mogą szybciej prototypować koncepcje przy mniejszej liczbie ręcznych poprawek.
  • Zespół i przepływ pracy. Operacje mogą wykorzystywać sygnały obrazu i wideo, które wcześniej były trudne do przetworzenia.

Uważaj na

  • Prawa do wizerunku i zgoda mogą stanowić ryzyko prawne, jeśli pochodzenie jest niejasne.
  • Wydajność modelu może się różnić w zależności od oświetlenia, demografii i środowiska.
  • Fałszywie pozytywne wyniki mogą pozostać niezauważone, chyba że monitorowane są progi ufności.

Kolejne kroki

  1. Zdefiniuj kryteria akceptacji dotyczące kosztów precyzji, wycofania i błędów.
  2. Przetestuj na danych odpowiadających rzeczywistym warunkom produkcyjnym.
  3. Dodaj weryfikację manualną, aby prognozy były mało pewne lub miały duży wpływ.
  4. Śledź dryf modelu i przeprowadzaj ponowną weryfikację po zmianie kamery lub zbioru danych.

Odkrywaj dalej

Darmowy newsletter

Otrzymuj codzienne podsumowanie AI

Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.

Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.

Sprawdź się

Rozwiąż quiz o animacji portretu z jednego zdjęcia

Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.

Rozpocznij quiz

Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę

Często zadawane pytania

Czym jest animacja portretu z jednego zdjęcia?

Animacja portretu z jednego zdjęcia sprawia, że nieruchoma twarz zaczyna się poruszać, w tym obracać, mrugać, zmieniać wyraz lub mówić. Działa to poprzez przenoszenie ruchu z filmu sterującego lub ścieżki audio na obraz źródłowy. Technologia ta napędza awatary z mówiącymi głowami, animowane zdjęcia rodzinne i filmy z prezenterami, a także budzi obawy dotyczące zgody, ponieważ wystarczy jedno publicznie dostępne zdjęcie.

W jaki sposób First Order Motion Model uzyskuje swoje punkty kluczowe?

FOMM odkrywa punkty kluczowe w sposób nienadzorowany. Dlatego może działać na twarzach, jak i na innych kategoriach obiektów.

Jaki jest cel mapy okluzji?

Mapa okluzji informuje generator, które obszary nie mogą pochodzić z przekształcenia źródła i muszą zostać wypełnione.

Jaka jest korzyść z relatywnego przenoszenia ruchu?

Zastosowanie sposobu, w jaki zmieniają się punkty kluczowe sterownika, zamiast ich pozycji, zapobiega zastąpieniu geometrii twarzy źródła geometrią sterownika.

Co SadTalker przewiduje na podstawie dźwięku?

ExpNet i PoseVAE modelu SadTalker generują współczynniki 3DMM, które następnie render twarzy zamienia na klatki.

What does LivePortrait's stitching module do?

Moduł łączenia utrzymuje animowany wycinek w linii z resztą oryginalnego obrazu podczas wklejania go z powrotem.