Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.05092

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.05092 (cs)
[提交于 2025年7月7日 ]

标题: MoDiT:使用扩散变换器学习高度一致的3D运动系数以生成说话头像

标题: MoDiT: Learning Highly Consistent 3D Motion Coefficients with Diffusion Transformer for Talking Head Generation

Authors:Yucheng Wang, Dan Xu
摘要: 音频驱动的说话头部生成对于虚拟助手、视频游戏和电影等应用至关重要,其中自然的嘴唇运动是关键。 尽管在这一领域取得了进展,但在生成一致且逼真的面部动画方面仍存在挑战。 现有方法通常基于生成对抗网络(GANs)或基于UNet的扩散模型,面临三个主要限制:(i) 由于时间约束较弱导致的时间抖动,造成帧不一致;(ii) 由于缺乏足够的三维信息提取导致的身份漂移,进而导致面部身份保存不佳;以及(iii) 由于对真实眨眼动态建模不足导致的不自然眨眼行为。 为了解决这些问题,我们提出了MoDiT,一种将三维可变形模型(3DMM)与基于扩散的Transformer相结合的新框架。 我们的贡献包括:(i) 一种分层去噪策略,结合改进的时间注意力和有偏的自注意力/交叉注意力机制,使模型能够优化嘴唇同步并逐步增强全脸一致性,有效缓解时间抖动。 (ii) 集成3DMM系数以提供显式的空间约束,确保准确的三维引导光流预测,并利用Wav2Lip结果改善嘴唇同步,从而保持身份一致性。 (iii) 一种改进的眨眼策略,用于建模自然的眼部运动,具有更平滑和逼真的眨眼行为。
摘要: Audio-driven talking head generation is critical for applications such as virtual assistants, video games, and films, where natural lip movements are essential. Despite progress in this field, challenges remain in producing both consistent and realistic facial animations. Existing methods, often based on GANs or UNet-based diffusion models, face three major limitations: (i) temporal jittering caused by weak temporal constraints, resulting in frame inconsistencies; (ii) identity drift due to insufficient 3D information extraction, leading to poor preservation of facial identity; and (iii) unnatural blinking behavior due to inadequate modeling of realistic blink dynamics. To address these issues, we propose MoDiT, a novel framework that combines the 3D Morphable Model (3DMM) with a Diffusion-based Transformer. Our contributions include: (i) A hierarchical denoising strategy with revised temporal attention and biased self/cross-attention mechanisms, enabling the model to refine lip synchronization and progressively enhance full-face coherence, effectively mitigating temporal jittering. (ii) The integration of 3DMM coefficients to provide explicit spatial constraints, ensuring accurate 3D-informed optical flow prediction and improved lip synchronization using Wav2Lip results, thereby preserving identity consistency. (iii) A refined blinking strategy to model natural eye movements, with smoother and more realistic blinking behaviors.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.05092 [cs.CV]
  (或者 arXiv:2507.05092v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.05092
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yucheng Wang [查看电子邮件]
[v1] 星期一, 2025 年 7 月 7 日 15:13:46 UTC (32,313 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号