Ciri-ciri wajah berterbangan, mulut terbuka, mata terbuka, dan kening terangkat AI boleh menirunya dengan sempurna Penipuan video adalah mustahil untuk dicegah.

Keupayaan tiruan AI yang begitu kuat, benar-benar mustahil untuk mengawalnya, sama sekali mustahil untuk mengawalnya. Adakah pembangunan AI mencapai tahap ini sekarang?

Anda menggerakkan kaki hadapan anda untuk membiarkan ciri-ciri wajah anda terbang, dan ekspresi yang sama diulang pada kaki belakang anda Menatap, mengangkat kening, mencebik, tidak kira betapa berlebihan ekspresi itu, semuanya ditiru dengan sempurna.

Tingkatkan kesukaran, angkat kening lebih tinggi, buka mata lebih luas, malah bentuk mulut bengkok, dan avatar watak maya dapat menghasilkan semula ekspresi dengan sempurna.

Apabila anda melaraskan parameter di sebelah kiri, avatar maya di sebelah kanan juga akan menukar pergerakannya dengan sewajarnya

Berikan tiruan mulut dan mata dikatakan betul-betul sama, ia hanya boleh Katakan ungkapan itu betul-betul sama (kanan sekali).

Penyelidikan ini datang daripada institusi seperti Universiti Teknikal Munich, yang mencadangkan GaussianAvatars, kaedah yang boleh digunakan untuk mencipta avatar kepala realistik yang boleh dikawal sepenuhnya dari segi ekspresi, postur dan sudut pandangan (sudut pandang) . .

Dalam bidang penglihatan dan grafik komputer, mencipta kepala maya yang boleh mewakili manusia secara dinamik sentiasa menjadi masalah yang mencabar. Terutama dari segi ekspresi wajah dan perincian yang melampau, agak sukar untuk menangkap butiran seperti kedutan dan rambut, dan watak maya yang dihasilkan sering mengalami artifak visual

Dalam tempoh masa lalu, Medan Sinaran Neural ( NeRF) ) dan variannya telah mencapai hasil yang mengagumkan dalam membina semula adegan statik daripada pemerhatian berbilang paparan. Penyelidikan seterusnya memperluaskan kaedah ini, membolehkan NeRF digunakan untuk pemodelan adegan dinamik bagi senario yang disesuaikan dengan manusia. Walau bagaimanapun, kelemahan kaedah ini ialah kekurangan kawalan dan oleh itu ketidakupayaan untuk menyesuaikan diri dengan baik kepada pose dan ekspresi baharu

• Kaedah "3D Gaussian Spray" yang baru muncul mencapai kualiti rendering yang lebih tinggi daripada NeRF dan boleh digunakan dalam masa nyata Lihat komposisi. Walau bagaimanapun, kaedah ini tidak menyokong animasi output yang dibina semula
• Makalah ini mencadangkan GaussianAvatars, kaedah perwakilan kepala 3D dinamik berdasarkan percikan Gaussian tiga dimensi.

Secara khusus, diberikan jejaring FLAME (memodelkan keseluruhan kepala), mereka memulakan Gaussian 3D di tengah setiap segi tiga. Apabila jaringan FLAME dianimasikan, setiap model Gaussian diterjemahkan, diputar dan diskalakan berdasarkan segi tiga induknya. Gaussian 3D kemudian membentuk medan sinaran di atas jejaring, mengimbangi kawasan di mana jejaring tidak diselaraskan dengan tepat atau gagal menghasilkan semula elemen visual tertentu.

Untuk mengekalkan tahap realisme tinggi watak maya, artikel ini menggunakan strategi pewarisan yang mengikat. Pada masa yang sama, kertas kerja ini juga mengkaji bagaimana untuk mencapai keseimbangan antara mengekalkan realisme dan kestabilan untuk menghidupkan ekspresi novel dan postur watak maya. Hasil penyelidikan menunjukkan bahawa berbanding dengan penyelidikan sedia ada, GaussianAvatars berprestasi baik dalam pemaparan paparan novel dan pemacu pengeluaran semula video

FAME mesh mempunyai kedudukan bucu yang berbeza tetapi topologi yang sama, jadi pasukan boleh mencipta sambungan yang konsisten antara segi tiga mesh dan percikan Gaussian 3D. Render percikan ke dalam imej menggunakan rasterizer jubin boleh dibezakan. Kemudian, dengan penyeliaan imej sebenar, avatar kepala manusia yang realistik dipelajari

Untuk kualiti optimum, pemandangan statik perlu dipadatkan dan dipangkas oleh percikan Gaussian melalui satu set operasi kawalan ketumpatan adaptif. Untuk mencapai matlamat ini, pasukan penyelidik mereka bentuk strategi pewarisan yang mengikat yang mengekalkan titik Gaussian baharu terikat pada jaringan FLAME tanpa memusnahkan hubungan antara segi tiga dan percikan

Hasil eksperimen

Kajian menggunakan teknik sintesis perspektif baharu untuk menilai kualiti pembinaan semula dan menilai kesetiaan animasi melalui pengulangan kendiri. Rajah 3 di bawah menunjukkan keputusan perbandingan kualitatif antara kaedah yang berbeza. Dari segi sintesis perspektif baharu, semua kaedah mampu menghasilkan hasil pemaparan yang munasabah. Walau bagaimanapun, apabila melihat lebih dekat keputusan PointAvatar, dapat dilihat bahawa artifak titik berlaku disebabkan saiz titik tetapnya. GaussianAvatars menggunakan teknologi penskalaan anisotropik Gaussian 3D boleh mengurangkan masalah ini

Kita boleh membuat kesimpulan yang sama daripada perbandingan kuantitatif dalam Jadual 1. Berbanding dengan kaedah lain, GaussianAvatars berprestasi baik dalam sintesis paparan baharu, juga cemerlang dalam lakonan semula kendiri, dan telah mengurangkan perbezaan persepsi dalam LPIPS dengan ketara. Perlu diingatkan bahawa lakonan semula kendiri adalah berdasarkan penjejakan grid FLAME dan mungkin tidak diselaraskan sepenuhnya dengan imej sasaran

Untuk menguji prestasi animasi avatar di dunia nyata, kajian telah dijalankan merentas Eksperimen dalam pembiakan identiti. Keputusan menunjukkan bahawa avatar itu dengan tepat menghasilkan semula gerakan berkelip dan mulut pelakon sumber, mempersembahkan dinamik yang meriah dan kompleks seperti kedutan, dan lain-lain. kajian Eksperimen Ablasi juga dilakukan, dan hasilnya ditunjukkan di bawah.

Atas ialah kandungan terperinci Ciri-ciri wajah berterbangan, mulut terbuka, mata terbuka, dan kening terangkat AI boleh menirunya dengan sempurna Penipuan video adalah mustahil untuk dicegah.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!