谷歌推多模態(tài)視頻模型VLOGGER，自動生成豐富動作視頻

　　谷歌的研究人員最近推出了一款名為 VLOGGER 的多模態(tài)擴(kuò)散模型，能夠自動生成帶語音、豐富動作的人物視頻。用戶只需向 VLOGGER 輸入圖像和語音，就可以獲得逼真的視頻效果。

　　VLOGGER 的創(chuàng)新之處在于采用了全新的多階段擴(kuò)散模型架構(gòu)，結(jié)合了文本生成圖像模型和時空控制，從而提升了視頻生成的逼真效果和豐富動作。研究人員在多個數(shù)據(jù)集上對 VLOGGER 進(jìn)行了綜合測試，結(jié)果顯示 VLOGGER 在視頻質(zhì)量、物體還原性和時序一致性等方面表現(xiàn)出色，同時還能生成豐富的上半身和手勢動作。

　　要制作逼真的人物動畫視頻通常需要大量的人工調(diào)整和修補(bǔ)，以確保動作流暢自然。而 VLOGGER 的創(chuàng)新之處在于，其無需針對每個新人物重新訓(xùn)練模型，也不依賴于人臉檢測框選區(qū)域，直接生成完整目標(biāo)圖像。此外，VLOGGER 還考慮到了現(xiàn)實(shí)中復(fù)雜的交流場景，如可見軀干、不同身份等因素，這對正確合成有效交流的人物動作至關(guān)重要。

　　在技術(shù)實(shí)現(xiàn)方面，VLOGGER 首先通過 Transformer 神經(jīng)網(wǎng)絡(luò)處理音頻波形輸入，生成一系列3D 面部表情和身體姿勢參數(shù)，用于控制虛擬人物在視頻中的動作。其次，在空間和時間上進(jìn)行條件控制，生成高質(zhì)量、任意長度的視頻。VLOGGER 還引入了一種 "時序外推" 的技術(shù)，允許模型迭代生成任意長度的視頻片段，同時保持時序一致性。為了提高生成效果，VLOGGER 還采用了級聯(lián)擴(kuò)散方法，對基礎(chǔ)分辨率的視頻進(jìn)行超分辨重建，生成高質(zhì)量的影像。

　　VLOGGER 的推出為虛擬數(shù)字人的制作提供了更便捷、高效的解決方案，同時也在多模態(tài)視頻生成領(lǐng)域取得了重要的技術(shù)突破。