真正的恐怖谷效应是什么？

快看，下面这个女生做出了各种生动丰富的表情，挤眼，挑眉，嘟嘴....

再来看这个男孩，不停地变化嘴型，再加上细微的眼神动作，丝毫看不出来和我们有何区别。

然而，谁能想到，他们竟不是真人！

网友纷纷称其为AGI，简直逼真到可怕。

如此厉害的3D头像生成，完全不输小扎此前带着Quest 3 Pro做客「元宇宙」播客的逼真数字化身。

那么，这项研究竟出自哪位民间高手？

最近，来自德国慕尼黑工业大学、伦敦大学学院等研究团队提出了全新算法——NPGA，可生成高质量3D头像。

论文地址：https://arxiv.org/pdf/2405.19331

这是一种基于数据驱动的方法，从多视角的视频中创建出高保真、可控的虚拟化身。

传统上，往往会用网格3DMM去生成渲染的头像，但效果一般。

而NPGA的创新在于，采用了高斯点云的方式，即通过无数个点组成3D人像形状，让渲染更加高效、逼真。

另外，研究的另一个创新在于，利用了神经网络模型——「神经参数化头模型」（NPHM）来捕捉人脸细微表情的变化，由此3D数字化身可以更真实模拟人类表情。

最后，为了增强数字化身的表现力，研究人员还对潜在特征和预测动态提出了「拉普拉斯项」（Laplacian terms）。

实验评估结果显示，NPGA比起之前SOTA模型，在自我重现任务中，大约有2.6PSNR提升。

有人惊呼，这简直离诈骗又近了一步。

此时的网友还不忘调侃，谷歌最近放出的一个不可思议的视频。

看这奇怪的画风，再加上虚拟化身不稳定性，简直无法和NPGA竞争。

这是谷歌团队新提出的ChatDirector算法，按谷歌宣传的话称，3D虚拟头像可以让在线会议更具「沉浸感」

NPGA：神经参数高斯化身

这项技术可以应用在很多场景，比如电影、游戏、AR/VR远程会议，以及小扎心心念念的元宇宙。

虽然视频的效果看起来如此逼真，但其实，从现实世界捕获图像并重建3D头像是一个极具挑战性的课题。既需要计算机视觉（CV）准确的识别功能，也需要计算机图形学（CG）的高保真和实时渲染性能。

近年来这两项技术的交叉，让虚拟世界的3D化身越来越逼真。然而，有一个核心问题还没被解决——如何实现控制性。

谷歌ChatDirector的视频之所以十分奇怪，主要原因不在画面渲染，而在面部动作和表情的控制性差，说话时嘴动了但其他部位没有动，有「皮笑肉不笑」的感觉。

Reddit评论区有网友发问，「我什么时候能看到这个模型的开源版本，这样只需要几张照片就能生成类似的3D化身了？」

很遗憾，目前的技术应该还做不到通过几张图片就能进行3D重建。

团队使用的训练集NeRSemble是一个视频数据集，用16个机位拍摄了220多个人体头部的4700多个高分辨率、高帧率的多视图视频，包含了各种丰富头部运动、情绪、表情和口语。

这个数据集同样由NPGA的作者团队发表于2023年，并被SIGGRAPH 2023和ACM TOG接收。

论文地址：https://tobias-kirschstein.github.io/nersemble/

温馨提示，想点进去看示例视频的话可能需要比较强大的心理素质，里面收录的各种夸张表情可以称之为人类抽象行为大赏。

去年刚发表数据集时，重建出来的动作和表情还比较僵硬，也没有丰富的面部细节。

短短一年时间就做到了如此逼真的效果，源于团队在方法上做出的改进。

方法概述

a) 以MonoNPHM模型为基础，在NeRSemble数据集上使用COLMAP计算的点云追踪MonoNPHM，从而实现几何精确的模型追踪。

b) 提出循环一致性目标来反转MonoNPHM的后向变形场，由此产生的前向变形场可以直接兼容基于光栅化的渲染。

c) NPGA由规范高斯点云和MLP组成，包含蒸馏过的先验网络F进行前向变形，以及网络G学习细粒度的动态细节。

d) 通过为每个基元（primitive）附加潜在特征，将变形场的输入提升到一个更高维的空间，从而可以更准确地描述每个基元的变形行为。

具体算法细节

之前的头部重建工作大多会使用3D可形变模型（3D Morphable Model），使用主成分分析（PCA）学习人体几何图形的表示，将面部识别和表情变化的参数空间分开。

尽管3DMM的参数空间足够紧凑，但论文作者认为，其底层的线性本质限制了表达空间能够实现的保真度。

论文同时表示，底层表达空间对于虚拟人的质量有至关重要的作用，不仅影响可控性，而且决定细节清晰度的上限。如果底层的表达不充分，很有可能在优化模型时导致过拟合。

因此，团队使用了3DMM的改进版——NPHM（Neural Parametric Head Models，神经参数化头部模型），从多视角的图像序列中追踪并提取身份识别的隐向量z_id和表情代码z_exp。

之后，就可以用一个后向变形场B，将姿势空间中的点x_p转换为规范空间中的坐标x_c：

比较遗憾的是，这项研究只专注于重建头部，屏蔽了数据集中的躯干部分，因为没有包含在NPHM提取出的z_exp的表达空间内。

基于3DGS中的为每个基元定义的场景表示，作者额外添加了高斯特征，虽然它本身是一个静态特征，但可以为每个基元的动态行为提供语义信息，起到了一种类似于位置编码的作用。

进行参数化表达后，论文提出的用于建模面部表情的动态模块D由2个多层感知器（MLP）组成：

- 基于粗略先验的网络F

- 超越先验知识、负责建模剩余细节的网络G

其中，模型F的训练和使用是这篇文章的核心创新之一。首先让F在NeRSemble数据集中20个人的图像序列上进行训练，之后会将这个网络运用在所有虚拟化身的重建中。

F的先验知识，则通过「循环一致性蒸馏」的方法，从后向变形场B中提取（实质上是B的逆元）.

之后使用动态模型D，就可以得到重建的姿势空间中的高斯点云表示A_p：

基于A_p完成屏幕空间的渲染后，团队还提出使用一个CNN网络提升潜在图像的细节表达，取代了用超分辨率处理。之后的消融实验也证明了CNN对性能提升的有效性。

除了算法和架构的设计，团队也在优化策略上做了两处改进。

其一是对规范空间A_c与动态模型D进行基于KNN图算法的拉普拉斯平滑。

其二是自适应密度控制（Adaptive Density Control），这是3DGS成功的核心因素。使用启发式的方法，在静态场景下，对可能冗余的高斯点云密度进行剪枝处理。

实验评估

研究人员通过自我重现（Self-Reenactment）任务来评估NPGA算法的保真度。

自我重现会更准确地描绘出看不见的表情，并在头发区域等相对静态区域中，包含更清晰的细节。

有趣的是，GHA_NPHM的性能比GHA稍差，这表明仅使用MonoNPHM表达代码，并不能立即提升性能。

相反，研究人员假设如果没有NPHM的运动作为初始化，NPHM的潜在表达分布可能会，提供比BFM的线性混合形状更复杂的训练信号。

如下是，不同方法对保留序列的定性比较。

这些方法的定量结果如下。

再来看，在交叉重现（cross-reenactment）任务中，全新算法的表现又如何？

交叉重现是指，将另一个人的表情转移到虚拟化身上。

如下图所示，所有的方法都成功将身份和表达信息分裂出来，从而实现了有效的交叉重现。

不过，NPGA的化身保留了更多驱动表情的大部分细节。

为了证明算法的现实世界适用性，图6显示了，研究人员利用MonoNPHM的单目RGB，来追踪高保真化身动画。

消融研究   

在最后的消融实验中，为了验证NPGA的几个重要组成部分，研究人员通过使用三个受试者进行了消融实验。消融的定量和定性结果分别见表2和图5。

如果不利用全高斯特征（Vanilla），3D头像就无法呈现出非常精细的表情，包括眼睛和下齿等复杂区域。

不过，在添加全高斯特征（p.G.F.）后，重建效果明显更清晰，但在极端表情下容易产生伪影。

当研究人员添加了拉普拉斯正则化和屏幕空间CNN，最终解决这一伪影问题。

此外，实验还证明了，默认的点云密集化策略，会抑制细节的重建，因此使用自适应密度控制（ADC）的策略非常必要。

下表说明了，使用正则化策略可以显著缩小训练序列（NVS）和测试序列（自我重现任务）之间的泛化差距。

局限性

研究人员表示，NPGA创建的虚拟化身的可控性、重建质量，从根本上讲，会受到底层3DMM表达空间的限制。

因此，包括颈部、躯干、舌头、眼珠旋转这些区域，无法用NPHM的表情代码来完全解释。

由此，算法无法可靠地进行动画处理，甚至可能因为过拟合而带来伪影。

目前可能的解决方案是，将底层3DMM扩展，提供对人类状态更详细的描述。

此外，NPGA作为一种数据驱动的头像创建方法，在一定程度上受限于可用的数据。

参考资料：

https://simongiebenhain.github.io/NPGA/

https://www.reddit.com/r/singularity/comments/1d41fgr/ngpa_new_high_quality_real_time_3d_avatar_from/

文章来源于“新智元”，作者“新智元”