【導(dǎo)語】之前我們?yōu)榇蠹医榻B過一項(xiàng)非常酸爽的研究“Talking Face Generation”：給定音頻或視頻后（輸入），可以讓任意一個(gè)人的面部特征與輸入的音視頻信息保持一致，也就是說出輸入的這段話。當(dāng)時(shí)就想到了“楊超越的聲音+高曉松的臉”這樣的神仙搭配。不過，近期一項(xiàng)新研究再度抓到了筆者的眼睛！在最新的研究中，研究者僅需要音頻信息就生成了人臉... ...如此鬼畜的操作，此乃頭一次見啊！接下來就為大家介紹一下這項(xiàng)工作！

音頻和圖像是人類最常用的兩種信號(hào)傳輸模式，圖像傳達(dá)的信息非常直觀，而語音包含的信息其實(shí)比我們想象的要更豐富，包括說話人的身份，性別和情緒狀態(tài)等等。從這兩個(gè)信號(hào)中提取的特征通常是高度相關(guān)的，可以讓人僅聆聽聲音就可以想象他的視覺外觀。WAV2PIX 的工作就是僅利用語音輸入，來生成說話者的人臉圖像。其實(shí)這就是一個(gè)跨模態(tài)的視覺生成任務(wù)。

談到這項(xiàng)研究的貢獻(xiàn)，主要有三點(diǎn)：

提出了一個(gè)能夠直接從原始的語音信號(hào)生成人臉的條件GAN：WAV2PIX；

提供了一個(gè)在語音和人臉兩方面綜合質(zhì)量很高的一個(gè)數(shù)據(jù)集：Youtubers；

實(shí)驗(yàn)證明論文的方法可以生成真實(shí)多樣的人臉。

論文收集了大V用戶（Youtubers）上傳到 Youtube 的演講視頻，這些視頻通常具有高質(zhì)量的說話環(huán)境、表達(dá)方式、人臉特征等。Youtubers 數(shù)據(jù)集主要由兩部分組成：一個(gè)是自動(dòng)生成的數(shù)據(jù)集和一個(gè)手動(dòng)處理后的高質(zhì)量的子集。

主要的預(yù)處理工作：

音頻最初下載的是高級(jí)音頻編碼（AAC）格式，44100 Hz，立體聲。因此轉(zhuǎn)換為 WAV 格式，并重新采樣到 16 kHz，每個(gè)樣例占 16 位并轉(zhuǎn)換為單聲道。

采用基于 Haar 特征的人臉檢測器來檢測正臉。僅采納置信度高的幀

保存檢測出來的那幀圖像及前后兩秒的語音幀，以及一個(gè)標(biāo)簽（identity）。

方法介紹

研究主要由三個(gè)模塊構(gòu)成：一個(gè)是語音編碼器，一個(gè)是圖片生成網(wǎng)絡(luò)，一個(gè)是圖片判別網(wǎng)絡(luò)。

語音編碼器（Speech Encoder）：已有的方法大多數(shù)是手工提取音頻特征，并不是針對(duì)生成網(wǎng)絡(luò)的任務(wù)進(jìn)行優(yōu)化的，而 SEGAN 提出了一種在波形上用于語音處理的方法。因此作者在已有的工作 SEGAN 上進(jìn)行修改。修改為具有 6 層一維網(wǎng)絡(luò)，并且每層的 kernel 大小是 15x15，步長為 4，然后每層卷積網(wǎng)絡(luò)后面使用 LeakyReLU 激活函數(shù)，網(wǎng)絡(luò)的輸入通道是 1。輸入 16kHZ 下1 秒的語音片段，上述的卷積網(wǎng)絡(luò)可以得到一個(gè) 4x1024 的張量，然后采用三個(gè)全連接網(wǎng)絡(luò)將特征數(shù)量從 4x1024 降到 128。作為生成器網(wǎng)絡(luò)的輸入。

圖片生成器（Image Generator Network）：輸入是語音編碼器的 128 向量。采用二維轉(zhuǎn)置卷積、插值、dropout 等方式將輸入轉(zhuǎn)為 64x64x3 或者 128x128x3 的張量。在 G 的損失函數(shù)中添加了一個(gè)輔助損失用于保持說話人的標(biāo)簽（Identity）。

圖片判別器（Image Discriminator Network）：判別器由幾層步長為 2，kernel 大小是 4x4 的卷積網(wǎng)絡(luò)組成，并使用譜歸一化和 LeakyReLU 激活函數(shù)。當(dāng)張量為 4x4 時(shí)，作者拼接了語音的輸入，并采用最后一層網(wǎng)絡(luò)來計(jì)算 D 網(wǎng)絡(luò)的分?jǐn)?shù)。

實(shí)驗(yàn)過程

訓(xùn)練：將手動(dòng)處理后的數(shù)據(jù)集作為訓(xùn)練集，采用數(shù)據(jù)增強(qiáng)等手動(dòng)。值得注意的是，在處理時(shí)將每張圖像復(fù)制了 5 次，并將其與 4 秒音頻里面隨機(jī)采樣的 5 個(gè)不同的1秒音頻塊進(jìn)行匹配。因此總共有 24K 左右的圖像-音頻對(duì)用于模型訓(xùn)練。其它超參數(shù)采用參考的文獻(xiàn)設(shè)置。

評(píng)估：下圖給出了可視化的結(jié)果，雖然生成的圖像都比較模糊，但基本可以觀察到人的面部特征，并且有不同的面部表情。

作者進(jìn)一步微調(diào)了一個(gè)預(yù)訓(xùn)練的 VGG-FACE Descriptor 網(wǎng)絡(luò)，用于量化測試結(jié)果，在作者提供的數(shù)據(jù)集上，可以達(dá)到 76.81% 的語音識(shí)別準(zhǔn)確率和 50.08% 的生成圖像準(zhǔn)確率。

為了評(píng)估模型生成圖像的真實(shí)程度，作者定義了一個(gè) 68 個(gè)人臉關(guān)鍵點(diǎn)的精度檢測分?jǐn)?shù)。如下圖所示，測試結(jié)果精度可以達(dá)到 90.25%。表明在大多數(shù)情況下生成的圖像保留了基本的面部特征。

感興趣的小伙伴們可以下載閱讀研究一下~