受新冠疫情的影响，加速了各行业企业移动化办公的需求，这期间，有大量的用户和企业选择了线上视频会议。那么，我们如何在视频会议中展现更完美的自己呢？
近日，2021年国际计算机视觉与模式识别会议（CVPR 2021）正式召开。基于GAN研究的NVIDIA Maxine云AI视频流SDK现已在CVPR 2021上展出。让我们看一看GAN研究是如何重塑视频会议的呢？
起床、启动笔记本电脑、打开网络摄像头——得益于NVIDIA研究人员开发的AI技术，每次都能在视频通话中展现完美的自己。
Vid2Vid Cameo是用于视频会议的NVIDIA Maxine SDK背后的深度学习模型之一，它借助生成式对抗网络(GAN)，仅用一张人物2D图像即可合成逼真的人脸说话视频。
要使用该模型，参与者需要在加入视频通话之前提交一张参照图像（真实照片或卡通头像）。在会议期间，AI模型将捕捉每个人的实时动作，并将其应用于之前上传的静态图像。
也就是说，上传一张穿着正装的照片之后，与会人员即使头发凌乱、穿着睡衣，也能在通话中以穿着得体工作服装的形象出现，因为AI可以将用户的面部动作映射到参照照片上。如果主体向左转，则技术可以调整视角，以便参与者看上去是直接面对摄像头的。
除了可以帮助与会者展现出色状态外，这项AI技术还可将视频会议所需的带宽降低10倍，从而避免抖动和延迟。它很快将在NVIDIA Video Codec SDK中作为AI Face Codec推出。
NVIDIA研究人员兼项目的联合创作者Ming-Yu Liu表示：“许多人的互联网带宽有限，但仍然希望与朋友和家人进行流畅的视频通话。这项基础技术除了可以为他们提供帮助外，还可用于协助动画师、照片编辑师和游戏开发者的工作。”
Vid2Vid Cameo本周发表于著名的国际计算机视觉与模式识别会议，这是NVIDIA在本次虚拟会议上发表的28篇论文之一。此外，它还在AI Playground上推出，在此所有人均可亲身体验我们的研究演示。
AI大出风头
在一部经典盗贼电影（同时也是Netflix的热门节目）的致谢中，NVIDIA研究人员将他们的人脸说话GAN模型迅速用于虚拟会议。演示重点介绍Vid2Vid Cameo的主要功能，包括面部重定向、动画头像和数据压缩。
这些功能即将登陆NVIDIA Maxine SDK，为开发者提供经过优化的预训练模型，以便在视频会议和直播中实现视频、音频和增强现实效果。
开发者已经能采用Maxine AI效果，包括智能除噪、视频升采样和人体姿态估计。SDK支持免费下载，还可与NVIDIA Jarvis平台搭配用于对话式AI应用，包括转录和翻译。
来自AI的问候
Vid2Vid Cameo只需两个元素，即可为视频会议打造逼真的AI人脸说话动态，这两个元素分别是一张人物外貌照片和一段视频流，它们决定了如何对图像进行动画处理。
模型基于NVIDIA DGX系统开发，使用包含18万个高质量人脸说话视频的数据集进行训练。网络已掌握识别20个关键点，这些关键点可用于在没有人工标注的情况下对面部动作进行建模。这些点对特征（包括眼睛、嘴和鼻子）的位置进行编码。
然后，它会从通话主导者的参照图像中提取这些关键点，这些关键点可以提前发送给其他的视频会议参与者，也可以重新用于之前的会议。这样一来，视频会议平台只需发送演讲者面部关键点的移动情况数据，无需将某参与者的大量直播视频流推送给其他人。
对于接收者一端，GAN模型会使用此信息，模拟参照图像的外观以合成一个视频。
通过仅来回压缩及发送头部位置和关键点，而不是完整的视频流，此技术将视频会议所需的带宽降低10倍，从而提供更流畅的用户体验。该模型可以进行调整，传输不同数量的关键点，以实现在不影响视觉质量的条件下，适应不同的带宽环境。
此外，还可以自由调整所生成的人脸说话视频的视角，可以从侧边轮廓或笔直角度，也可以从较低或较高的摄像头角度来显示用户。处理静态图像的照片编辑者也可以使用此功能。
NVIDIA研究人员发现，无论是参照图像和视频来自同一个人，还是AI负责将某个人的动作转移到另一个人的参照图像，Vid2Vid Cameo均能生成更逼真、更清晰的结果，优于先进的模型。
后一项功能可将演讲者的面部动作，应用于视频会议中的数字头像动画，甚至可以应用于制作视频游戏或卡通角色的逼真形象和动作。
Vid2Vid Cameo论文由NVIDIA研究人员Ting-Chun Wang、Arun Mallya和Ming-Yu Liu共同撰写。NVIDIA研究团队在全球拥有超过200名科学家，专注于AI、计算机视觉、自动驾驶汽车、机器人和图形等领域。
我们要感谢演员Edan Moses ，他在Netflix上的《纸钞屋》中担任教授的英语配音，感谢他在以上我们最新AI研究的介绍视频中做出的贡献。
写在最后，视频会议现已经成为人们日常生活的一部分,能够帮助数百万人工作、学习、娱乐,甚至就医。NVIDIA Maxine集成了先进的视频、音频和对话式AI功能,给那些帮助我们保持联络的视频会议平台带来效率突破。
