EMO: Emote Portrait Alive — Создание выразительных портретных видео с помощью аудио-видео диффузионной модели в условиях слабого контроля

EMO: Emote Portrait Alive - Generating Expressive Portrait Videos with Audio2Video Diffusion Model under Weak Conditions

February 27, 2024

Авторы: Linrui Tian, Qi Wang, Bang Zhang, Liefeng Bo

cs.AI

Аннотация

В данной работе мы решаем задачу повышения реалистичности и выразительности в генерации видео с говорящими головами, сосредоточившись на динамической и тонкой взаимосвязи между аудиосигналами и мимическими движениями. Мы выявляем ограничения традиционных методов, которые часто не способны охватить весь спектр человеческих выражений и уникальность индивидуальных черт лица. Для решения этих проблем мы предлагаем EMO — новый фреймворк, использующий подход прямого синтеза видео из аудио, минуя необходимость в промежуточных 3D-моделях или лицевых ориентирах. Наш метод обеспечивает плавные переходы между кадрами и сохранение идентичности на протяжении всего видео, что приводит к созданию высоко выразительных и реалистичных анимаций. Экспериментальные результаты демонстрируют, что EMO способен генерировать не только убедительные видео с речью, но и видео с пением в различных стилях, значительно превосходя существующие передовые методики по показателям выразительности и реалистичности.

English

In this work, we tackle the challenge of enhancing the realism and expressiveness in talking head video generation by focusing on the dynamic and nuanced relationship between audio cues and facial movements. We identify the limitations of traditional techniques that often fail to capture the full spectrum of human expressions and the uniqueness of individual facial styles. To address these issues, we propose EMO, a novel framework that utilizes a direct audio-to-video synthesis approach, bypassing the need for intermediate 3D models or facial landmarks. Our method ensures seamless frame transitions and consistent identity preservation throughout the video, resulting in highly expressive and lifelike animations. Experimental results demonsrate that EMO is able to produce not only convincing speaking videos but also singing videos in various styles, significantly outperforming existing state-of-the-art methodologies in terms of expressiveness and realism.