克雷西 發自 凹非寺
量子位 | 公衆号 QbitAI
之前要兩天才能訓練好的數字人，現在隻用半小時就能完成了！
到了推理階段，更是隻要16毫秒，就能得到動作流暢、細節到位的場景視訊。
而且無需複雜的采樣和模組化，隻要随便拍一段50-100幀的視訊就足夠了，換算成時間不過幾秒鐘。
這正是由蘋果聯合德國馬普所推出的，基于高斯函數的3D數字人合成工具HUGS。
它可以從一段簡單的視訊當中提取出人物骨骼，進而合成數字分身并驅動它做出任意動作。
這個數字人可以絲滑地融合到其他場景，甚至幀率還能超越原始素材，達到60FPS。
Hugging Face的“首席羊駝官”Omar Sanseviero看到後，也給HUGS送上了hug。
那麼，HUGS可以實作怎樣的效果呢？
100倍速生成60FPS視訊
從下面這張動圖可以看出，新生成的數字人可以在不同于訓練素材的場景中做出不同的動作。
而新合成的畫面也比原始素材更加流暢——盡管原素材隻有24FPS，但HUGS合成的視訊幀率達到了60FPS。
同時，HUGS也支援把多個人物融合進同一個場景。
細節刻畫上，HUGS也比Neuman和Vid2Avatar這兩個前SOTA更清晰細膩，也更加真實。
如果放到規範空間中，Neuman和HUGS的細節對比将變得更加明顯。
測試資料上看，HUGS在NeuMan資料集的五個場景中的PSNR和SSIM評分都達到了SOTA水準，LPIPS誤差則處于最低位。
在ZJU Mocap資料集上，針對5個不同受試者，HUGS也都超越了NerualBody、HumanNeRF等Baseline方法。
速度方面，HUGS的訓練隻需半小時就能完成，而此前最快的VidAvtar也要48小時，速度提升了近百倍。
渲染速度也是如此，用Baseline方法進行渲染需要2-4分鐘，但HUGS隻用16.6毫秒就能完成，比人眨眼的速度還快。（下圖為對數坐标系）
那麼，HUGS是如何實作既迅速又細膩地生成3D數字人的呢？
像搭積木一樣渲染
HUGS首先将人物和場景分别轉化為3D高斯斑點。
其中，人物部分的高斯斑點由三個多層感覺機（MLP）來預測，并通過SMPL（一種人體形狀模型）進行初始化。
SMPL可以用極少的參數建立實體人物到三維網格的映射，隻需要10個主要參數就可以表示99%的人體形狀變化。
同時，為了刻畫頭發和衣服等細節，HUGS也允許高斯函數在一定程度上偏離SMPL。
場景的高斯斑點通過特征三平面提供的位置編碼，由多個MLP預測得到。
得到人體和場景模型的高斯斑點後，研究者對它們進行了聯合優化。
得到的高斯斑點還會被進行克隆和拆分，進而增大斑點密度，不斷接近真實的目标幾何表面，這一過程稱為Densify。
此外，研究人員還引入了線性混合動畫（LBS）技術，在運動過程中對高斯斑點進行驅動。
轉換為高斯斑點形式後，研究人員訓練了神經網絡對高斯函數的屬性進行預測，形成真實的人體形狀。
同時，神經網絡還定義了高斯函數與人體骨骼的綁定關系，進而實作人物的運動。
這樣，HUGS的渲染過程就像搭積木一樣，不需要重新調用神經網絡，進而實作了高速渲染。
消融實驗結果表明，LBS、Densify和三平面MLP都是HUGS中的重要環節，缺少任何一個都會對合成效果造成影響。
而人物與場景的聯合優化，同樣是實作剛好融合效果的關鍵因素。
One More Thing
蘋果産生研究數字人的想法已經有一段時間了。
在蘋果MR頭顯Apple Vision Pro中，就出現過高細節版本的數字分身概念——
在FaceTime通話時，頭顯可以建立一個“數字人”，并用它來代表使用者。
那麼，對蘋果的這個“數字人生成器”，你怎麼看呢？
論文位址：
https://arxiv.org/abs/2311.17910
參考連結：
[1]https://appleinsider.com/articles/23/12/19/apple-isnt-standing-still-on-generative-ai-and-making-human-models-dance-is-proof
[2]https://twitter.com/anuragranj/status/1737173861756485875/
— 完 —
量子位 QbitAI · 頭條号簽
關注我們，第一時間獲知前沿科技動态約