B 站神曲 damedane：精髓在于深度变换，五分钟就能学会

最近，B 站上涌现出一波画风过于「生草」（B 站黑话，意为魔性搞笑）的视频，播放量动辄上百万，相当火爆。

技能满分的 Up 主们，利用「first order motion 一阶运动模型」的 AI 项目，生成了各种各样画风清奇的视频。

比如，竟然让张学友、杜甫、唐僧、熊猫头表情包声情并茂地演唱《damedane》、《unravel》……画面是这个样子的：

唐僧版《Unravel‍‍》，来源：B 站 Up 主：粗犷毛线君

杜甫版《Unravel》，来源 B 站 Up 主：cold_joke

不得不说，有点上头……大家可以自行到小破站搜索更多作品观赏。

这些视频引得无数网友摩拳擦掌跃跃欲试，纷纷留言求教程。接下来，我们就来了解一下，实现这些换面效果的技术（万恶之源）：一阶运动模型（first order motion model）。

学习园地 B 站，多个教程教你对口型

迄今为止，类似的换面、对口型的技术层出不穷，每提出一个，就会引起一波换脸热潮。

而 First order motion 模型由于在五官、口型优化上效果比较好，且容易上手、实现效率高，于是大受欢迎。

B 站上的 up 主们，已经积极上传了不少教程

比如要文章开头的《damedane》换面，只需几十秒就能实现，五分钟就可以学会。

B 站上的多数 up 主选用 Google 的云端硬盘和 Colab 来进行教程。考虑到翻墙门槛，我们选取了其中一位 up 主的教程，使用 ML 算力容器服务，现在还能薅羊毛，每周都赠送 vGPU 的使用时长，轻松完成该教程。

不到 5 分钟就可以完成自己的《damedane》

这个教学视频逐步讲解，即使是小白，也能轻松学会这招换面大法。up 主还将 notebook 上传到了平台，只要一键 clone 就可以直接使用。

不过，很多技术 Up 主表示，娱乐之余，制作视频是为了进行技术交流，所以希望大家不要恶意滥用。

又一个换面神器，好用在哪里？

First order motion 模型来自顶会 NeurlPS 2019 上的一篇论文，《First Order Motion Model for Image Animation》（《用于图像动画的一阶运动模型》），作者来自意大利的特伦托大学以及 snap 公司。

由标题就可知，该论文要实现的目标是让静态图片动起来。在给定一张源图片和一个驱动视频的情况下，让源图片中的形象，跟着驱动视频中的动作动起来。也就是，让万物皆可动起来。

效果如下图所示，左上角为驱动视频，其余为源静态图：

模型框架构成 

总的来说，该一阶运动模型的框架主要由两个模块组成：运动估计模块（motion estimation module）和图像生成模块（image generation module）。

运动估计模块：通过自监督学习将目标物体的外观和运动信息进行分离，并进行特征表示。

图像生成模块：模型会对目标运动期间出现的遮挡进行建模，然后从给定的名人图片中提取外观信息，结合先前获得的特征表示，进行视频合成。

方法概述

比传统模型强在哪里？

有人可能会有疑问，这和之前的 AI 换面方法有什么不同？作者给出了解释。

此前的换面视频操作，需要以下操作：

• 通常需要针对换面的双方人脸图像数据，进行事先训练；

• 需要对源图像进行关键点标注、再进行相应的模型训练。

但现实中个人的人脸数据较少，也没有大量的时间进行训练。因此，传统的模型通常用在特定形象上效果较好，但用在普通大众身上，质量就很难保证，容易翻车。

之前的方法会出现表情迁移不准的情况

因此，该论文提出的方法，解决了对数据的依赖问题，大大提高了生成效率。想实现表情、动作迁移，只需要在同类别的图像数据集上训练即可。

比如想实现表情迁移，则不管是换谁的脸，只要在人脸数据集训练即可；想实现太极动作迁移，就用太极视频数据集进行训练。

训练完成之后，使用对应的预训练模型，就可以实现让源图像跟着驱动视频动起来的结果。

该方法与其它方法在同一数据集训练效果对比

第二、三列的方法对于人体动作迁移会出现偏差

作者将其方法与目前该方向最先进的方法 X2Face 和 Monkey-Net 进行了对比，结果在相同的数据集中，本方法各个指标都有所提高，在两个人脸数据集（VoxCeleb 和 Nemo）上，本方法也明显优于最初提出用于人脸生成的 X2Face。

damedane 换面视频原型的倾情演绎

点击访问详细教程​​​​​​​