ICLR：International Conference on Learning Representations

CCF-A 国际表征学习大会：深度学习的顶级会议

生成对抗网络(GANs)的最新进展已经证明了生成令人惊叹的逼真肖像图像的能力。虽然之前的一些工作已经将这种图像gan应用于无条件的2D人像视频生成和静态的3D人像合成，但很少有工作成功地将gan扩展到生成3D感知人像视频。在这项工作中，我们提出了PV3D，这是第一个可以合成多视图一致人像视频的生成框架。具体来说，我们的方法通过推广3D隐式神经表示来模拟时空空间，将最近的静态3D感知图像GAN扩展到视频领域。为了将运动动力学引入到生成过程中，我们开发了一个运动生成器，通过叠加多个运动层，通过调制卷积合成运动特征。为了减轻由摄像机/人体运动引起的运动歧义，我们提出了一种简单而有效的PV3D摄像机条件策略，实现了时间和多视图一致的视频生成。此外，PV3D引入了两个判别器来正则化空间和时间域，以确保生成的人像视频的可信性。这些精心设计使PV3D能够生成具有高质量外观和几何形状的3d感知运动逼真的人像视频，显着优于先前的作品。因此，PV3D能够支持下游应用程序，如静态肖像动画和视图一致的运动编辑。代码和模型可在https://showlab.github.io/pv3d上获得。

PV3D的github代码和模型https://showlab.github.io/pv3d我们的目标是：通过只学习2D单眼视频来减轻创建高质量3D感知人像视频的工作量，而不需要任何3D或多视图注释

最近3d感知肖像生成方法通过整合内隐神经表征INRs可以产生逼真的多视图一致的结果，但是这些方法仅限于静态人像生成，很难扩展到人像视频生成：

1)如何在生成框架中有效地建模三维动态人体肖像仍然不清楚;

2)在没有三维监督的情况下学习动态三维几何是高度受限的;

3)相机运动和人类运动/表情之间的纠缠给训练过程带来了模糊性。

为此，本篇文章提出了一种3D人像视频生成模型(PV3D)，这是第一种可以在纯粹从单目2D视频中学习的情况下生成具有多种动作的高质量3D人像视频的方法。PV3D通过将3D三平面表示(Chan et al, 2022)扩展到时空域来实现3D人像视频建模。在本文中，我们综合分析了各种设计选择，得出了一套新颖的设计，包括将潜在代码分解为外观和运动组件，基于时间三平面的运动生成器，适当的摄像机姿态序列调理和摄像机条件视频鉴别器，可以显着提高3D人像视频生成的视频保真度和几何质量。

 Eric R Chan, Connor Z Lin, Matthew A Chan, Koki Nagano, Boxiao Pan, Shalini De Mello, Orazio
Gallo, Leonidas J Guibas, Jonathan Tremblay, Sameh Khamis, et al. Efficient geometry-aware 3d
generative adversarial networks. In CVPR, 2022.

EG3D: Efficient Geometry-aware 3D Generative Adversarial Networkshttps://nvlabs.github.io/eg3d/

As shown in Figure 1, despite being trained from only monocular 2D videos, PV3D can generate a large variety of photo-realistic portrait videos under arbitrary viewpoints with diverse motions and high-quality 3D geometry. Comprehensive experiments on various datasets including VoxCeleb (Nagrani et al, 2017), CelebV-HQ (Zhu et al, 2022) and TalkingHead-1KH (Wang et al, 2021a) well demonstrate the superiority of PV3D over previous state-of-the-art methods, both qualitatively and quantitatively. Notably, it achieves 29.1 FVD on VoxCeleb, improving upon a concurrent work 3DVidGen (Bahmani et al, 2022) by 55.6%. PV3D can also generate high-quality 3D geometry, achieving the best multi-view identity similarity and warping error across all datasets.

Our contributions are three-fold. 1) To our best knowledge, PV3D is the first method that is capable to generate a large variety of 3D-aware portrait videos with high-quality appearance, motions, and geometry. 2) We propose a novel temporal tri-plane based video generation framework that can synthesize 3D-aware portrait videos by learning from 2D videos only. 3) We demonstrate state-ofthe-art 3D-aware portrait video generation on three datasets. Moreover, our PV3D supports several downstream applications, i.e., static image animation, monocular video reconstruction, and multiview consistent motion editing.

如图1所示，尽管PV3D仅从单眼2D视频进行训练，但它可以在任意视点下生成大量具有多种运动和高质量3D几何形状的逼真人像视频。在各种数据集上的综合实验，包括VoxCeleb (Nagrani等人，2017)，CelebV-HQ (Zhu等人，2022)和TalkingHead-1KH (Wang等人，2021a)，都很好地证明了PV3D在定性和定量上优于以前最先进的方法。值得注意的是，它在VoxCeleb上实现了29.1 FVD，比并发工作3DVidGen (Bahmani et al, 2022)提高了55.6%。PV3D还可以生成高质量的3D几何图形，在所有数据集上实现最佳的多视图识别相似性和翘曲误差。

我们的贡献有三方面。1)据我们所知，PV3D是第一种能够生成各种具有高质量外观，运动和几何形状的3d感知人像视频的方法。2)提出了一种新的基于时间三平面的视频生成框架，该框架仅通过学习2D视频即可合成3d感知人像视频。3)我们在三个数据集上展示了最先进的3d感知人像视频生成。此外，我们的PV3D支持几个下游应用，即静态图像动画，单目视频重建和多视图一致的运动编辑。

今天在改代码，就先读这些

明日计划：读完这篇文章，调研相关文章泛读

后续计划：调研的文章精读