叨乐 发自 凹非寺
量子位 | 公众号 QbitAI
字节和浙大联合研发的项目Loopy火了！
只需一帧图像，一段音频，就能生成一段非常自然的视频！
研究团队还放出了Loopy和同类应用的对比视频：
网友下场齐夸夸：
- Loopy背后的技术有点牛哦！感觉互动媒体有新未来了！
- 前途无量奥！
真这么牛？咱们一起来看一下！
Loopy的生成效果
研究团队放出了一些DEMO视频，内容脑洞跨度有点大！
比如让小李子唱《黑神话》灵吉菩萨的陕北说书（高音时还会皱眉）：
让兵马俑满口英伦腔：
蒙娜丽莎张口说话：
梅梅自带Bgm说古装台词（甚至还有挑眉的小动作）：
狼叔的侧颜照也难不倒它：
叹息声的细节也能处理得很好：
Loopy如何“告别割裂感”？
看完这些毫无违和感DEMO视频，咱们来研究一下Loopy是如何生成这类视频的：
总的来说，Loopy是一个端到端的音频驱动视频生成模型。
它的框架可以由四部分构成，分别是：
ReferenceNet：一个额外的网络模块，它复制了原始SD U-Net的结构，以参考图像的潜在表示作为输入，来提取参考图像的特征。
DenoisingNet：一个去噪的U-Net，负责从噪声输入生成最终的视频帧。
在DenoisingNet的空间注意力层中，ReferenceNet提取的参考图像特征会与DenoisingNet的特征在token维度上进行拼接。
这样做是为了让DenoisingNet能够选择性地吸收ReferenceNet中与当前特征相关的图像信息，从而在生成过程中保持图像的视觉一致性。
简单来说，通过结合这两个网络的特征，DenoisingNet能够更好地利用参考图像的细节，提升生成结果的质量和连贯性。
Apperance：Loopy的外观模块，主要接收参考图像和运动帧图像，然后将它们压缩成特殊的数字编码(潜在向量)。
运动帧的潜在向量经过“时间序列模块”处理，与参考图像的潜在向量拼在一起。这样就融合了参考信息和动作信息。
然后将拼接后的潜在向量输入ReferenceNet模块中，生成一张特征图，标注着重要的视觉信息，方便供后续去噪模块使用。
Audio：Loopy的音频模块。模型先是使用Wav2Vec网络提取音频特征，并将每层的特征连接起来，形成多尺度音频特征。
然后对于每一帧视频，将前两帧和后两帧的音频特征连接，形成一个包含5帧音频特征的序列，作为当前帧的音频信息。
最后在每个残差块中，使用“交叉注意力”机制，将音频特征与视觉特征结合，计算出一个关注的音频特征，并将其与视觉特征相加，生成新的特征。
值得一提的是，模型中也涉及到了一个Audio2Latent模块，这个模块可以将音频信息映射到共享的运动潜在空间，进一步帮助模型理解音频与视频中人物动作之间的关系。
研究团队的实验结果如下：
One more thing
值得一提的是，在Loopy之前，字节和浙大就已经联合研发出了一款类似的项目CyberHost。
但与Loopy不同的是，CyberHost是一个端到端音频驱动的人类动画模型。
团队同样也放出了DEMO视频：