Capture, Learning, and Synthesisof 3D Speaking styles论文阅读笔记 VOCA

Capture, Learning, and Synthesisof 3D Speaking Styles论文阅读笔记

摘要

1. 制作了一个4D面部（3D mesh 序列 + 同步语音）数据集：29分钟，60fps，12个人
2. 在该数据集上训练了一个神经网络（这句话原话是we then train a neural network on our dataset that factors identity from facial motion，不知道怎么理解）
3. 学习的模型VOCA，输入为任意语音信号（不局限为英文），可逼真的还原面部动画
4. 可加入额外的条件进行训练，来学习不同的说话风格（有的人嘴张的大，有的人嘴张的小）
5. 可通过动画师控制来改变说话风格、身份相关的面部形状、姿态（点头摇头、眼球转动等）
6. VOCA可轻易的应用到新的目标上（without retargeting）

1 introduction

挑战

1. 语音和面部运动非常相关，但又处在两个差异非常大的空间中；因此需要非线性回归来将二者关联起来，我们可以通过DNN来解决这个问题，但是需要大量的训练数据；
2. 音素phoneme和和面部运动之间是多到多映射。
3. 真人动画容易产生恐怖谷效应
4. 缺少语音到3D人脸的多人数据库
5. 之前的工作表明可以训练特定说话人动画的模型，目前还没有说话人无关的、捕捉不同说话风格的通用方法。

VOCASET

12个说话人，480段序列，每段大概3-4s，句子的分布尽可能最大化语音多样性，60fps
将扫描数据和一个人脸模板mesh对齐

VOCA

说话人无关
整合DeepSpeech来提取语音特征（对噪声和音源更鲁邦）；
基于FLAME模型，1）可以建模全脸的运动（包括脖子）；2）驱动大范围的成人人脸，FLAME可以通过扫描或图片来重建特定目标的模板；3）编辑身份相关的形状和姿态

2 依赖

DeepSpeech

DeepSpeech是一个端到端的ASR模型，前三层是非循环全连接层+ReLU，第四层是双向RNN，最后一层是全连接层+ReLU，最后通过softmax函数。Tensorflow的实现方式和原文有两点不同：用LSTM替代了RNN，用MFCC替代原本的声谱。

FLAME

不同目标的面部形状和头部运动差异很大，不同人的说话方式也不同。
FLAME使用线性变换来描述身份、表情相关的形变、LBS（linear blend skinning，实现脖子、下巴、眼球的运动）。给定一个静态模型，身份、姿态、表情blendshapes的变化都通过顶点移动来建模。

3 VOCA

overview

输入为特定目标的模板T和原始的语音信号，通过DeepSpeech提取语音特征
输出为目标的3D mesh
采取encoder-decoder网络结构，encoder部分将语音特征转换为低维embedding，decoder部分将这个embedding映射到高位的3D顶点位移空间。

语音特征提取

给定一段长度为T 秒的语音片段，使用DeepSpeech来提取语音特征。输出特征是未归一化的对数概率（某字母的概率），帧长度为0.02s（每秒50帧），因此输出是50T*D的数组，其中D是字母表中字母的个数+1（空白label）。通过线性插值将输出重采样到60fps。
为了合并时间信息，将语音帧转换为总长度为W*D的重叠窗口，每个窗口长度为W。输出是一个3D数组，每个数组长度为60T*W*D。

Encoder

encoder由4个卷积层和2个全连接层构成。语音特征和最后的卷积层取决于目标的label，在多个目标上训练从而学习到特定目标的风格。对8个训练目标，每个目标j编码为一个one-hot向量$I_j=({\delta }_{ij}{)}_{1\le i\le 8}$。该向量和每个D维语音特征向量进行级联（每个窗口输出长度W*(D+8)），并和最后一个卷积层的输出进行级联。
为了学习时间特征，减少输入维度，每个卷积层使用3x1的卷积核，步长为2x1。由于使用DeepSpeech提取的特征不含有任何空域相关性，我们对输入窗口进行reshape，使其维度为$W\ast 1\ast (D+8)$，并在时间维度上进行1D卷积。为了避免过拟合，我们对参数量进行控制，对前两层学习32个滤波器，对后两层学习64个滤波器。
最后的卷积层和目标编码级联后，有两个全连接层，第一个全连接层有128个units，激活函数为tanh，第二个全连接层有50个units，激活函数为线性。

Decoder

decoder为一个全连接层+线性激活函数，输出为5023*3的数组，表示模型顶点的位移。
权重初始化：训练数据的顶点位移做PCA，得到的50个主成分。
bias初始化：0

animation control

inference时，改变8维one-hot向量来调整说话风格。VOCA的输出是一个和FLAME人脸模型具有相同拓扑结构的expressed 3D face。VOCA和FLAME的兼容性允许通过添加blendshapes来改变身份相关的人脸形状，人脸的表情和姿态也可以通过FLAME提供的blendshapes、joints和pose blendshapes来改变。

4 模型训练

训练准备

语音-4D扫描pairs，表示为 { ( x i , y i ) } i = 1 F \{(x_i,y_i) \}_{i=1}^F {(xi​,yi​)}i=1F​
其中，$x_i\in R^{W\times D}$是输入语音窗口，窗口中心为第i个视频帧$y_i\in R^{N\times 3}$。此外，用$f_i\in R^{N\times 3}$表示$x_i$的VOCA输出。
训练时，将采集的数据分成训练集（8个人），验证集（2个人），测试集（2个人）。
训练集每个人有40条句子，共320条句子。
验证集和测试集每个用20条不同的句子，即分别有40条句子。
训练集、验证集、测试集是完全无关的，无论是人还是句子。

损失函数

损失函数由两项组成：位置项和速度项
位置项：$E_p=||y_i-f_i|{|}_F^2$计算预测的顶点和训练数据顶点的距离
速度项：$E_v=||(y_i-y_{i-1})-(f_i-f_{i-1})|{|}_F^2$

训练参数

我们在验证集上调整超参数，使用1e-4的学习率训练50个epochs。位置项和速度项的权重分别是1和10，训练时使用batch normalization，batch size为64。窗口尺寸W=16，语音特征维度D=29

实施细节

VOCA基于Tensorflow实现，使用Adam优化算法训练。
在单个NVIDIA Tesla K20上训练一个epoch大概耗时十分钟。
DeepSpeech部分使用预训练好的模型，训练时保持不变。

5 VOCASET

数据集简介

audio-4D scan pairs：6男6女。
每个人40句英文，每句3-5秒；27句来自TIMIT语料库，3个全字母句，10个问句（来自SQuAD）。
5句话由所有人共享，15句话由3-5个人共享（50个独特的句子）；20句话由1-2个人（200个独特的句子）；

采集设置

使用多目相机立体声系统（3dMD LLC， Atlanta），采集高质量的3D头部数据和语音。
采集系统包括6对灰度双目相机，6个彩色相机，5个光斑投影仪，6个白光LED板。
系统以60fps的速度采集3D mesh，每个mesh包括120K个顶点。
彩色图片用来生成UV贴图。
语音和扫描系统同步，采集的采样率为22kHz。

数据处理

原始的3D头部数据使用FLAME模型提供的方法进行对齐。基于图像的关键点检测方法可以增强对齐的鲁棒性。
对齐后，每个mesh包括5023个顶点。所有扫描数据顶点和FLAME模型的绝对距离：中值0.09mm，均值0.13mm，标准差0.14mm。
之后，所有的mesh去除姿态（unposed）：旋转、平移、头部绕脖子的旋转。
对于所有的续联，脖子边界和耳朵自动修复，眼镜周围的区域使用高斯滤波器进行平滑，移出采集噪声。嘴部区域不做平滑处理，从而可以保留细微的动作。

7 实验

定量的矩阵，比如预测误差的范数，不适合用来评估动画质量。因为唇型和语音之间是多对多映射。同一段语音序列对应的人脸动作范围很广，所以定量的评估比较棘手。因此我们使用感性和定性的评估。此外，我们训练的模型可用于研究用途。