EMAGE：上传音频就能生成全身动作包括头部_嘴型_身体运动

独特魅力 04-03 810

默认

摘要： 今日网易*宣布蛋仔派对知名乐园地图因蓝的作者已经针对元梦之星内存在多张地图涉嫌抄袭一事向腾讯发起诉讼该案件已被法院受理并将于近期开庭我们划重点提出了框架用于从音频和掩码手势生成全身...

今日网易*宣布，《蛋仔派对》知名乐园地图《因蓝》的作者已经针对《元梦之星》内存在多张地图涉嫌抄袭”一事向腾讯发起诉讼。该案件已被法院受理，并将于近期开庭。我们

划重点:

⭐️ 提出了框架，用于从音频和掩码手势生成全身人类手势。

⭐️ 引入了新的全面共话数据集 BEATX，结合 MoShed SMPLX 身体与 FLAME 头部参数，提高了建模质量。

⭐️ EMAGE 利用掩码手势先验信息进行训练，采用 Masked Audio Gesture Transformer 实现音频到手势生成，取得了最先进的性能。

4月3日消息:最近，多所知名大学和研究机构的研究人员共同提出了 EMAGE 框架，旨在从音频和掩码手势生成全身人类手势。

EMAGE技术能实现输入音频生成全身动作，包括头部、嘴型、身体、手部和整体运动，跟之前Meta的audio2photoreal很像。用户只要上传音频（小于60秒），然后点击提交，输出结果将在输出中呈现3分钟。

他们引入了新的全面共话数据集 BEATX，该数据集结合了 MoShed SMPLX 身体和 FLAME 头部参数，进一步提高了建模质量，特别是对头部、颈部和手指动作的建模。EMAGE 在训练过程中利用了掩码手势的先验信息，以提高推断性能。该框架包括一个 Masked Audio Gesture Transformer，有助于联合训练音频到手势生成和掩码手势重建，有效地编码音频和身体手势提示。从掩码手势中编码的身体提示随后分别用于生成面部和身体动作。

此外，EMAGE 自适应地合并了音频的节奏和内容的语音特征，并利用了四个组合 VQ-VAE 来增强结果的保真度和多样性。实验证明，EMAGE 具有最先进的性能，能够生成具有完整的、音频同步的整体手势。

EMAGE 技术的问世将在各个领域产生深远影响，其中包括但不限于教育、医疗、娱乐等领域。研究团队表示，他们的代码和数据集已经公开提供，供学术和工业界使用。