【AI数字人】如何基于GeneFace自训练AI数字人

环境配置

因为我已经搭好ER-NeRF项目的虚拟环境，GeneFace和ER-NeRF项目都是基于NeRF的数字人项目，因此我是在ernerf的虚拟环境中，按照下述命令行，增添GeneFace项目的一些库文件。

pip install -r docs/prepare_env/requirements.txt
bash docs/prepare_env/install_ext.sh
1
2

由于install_ext.sh安装gridencoder，与ernerf的gridencoder的grid.py文件有出入，导致运行ER-NeRF项目时报错。所以最好单独创建一个新的虚拟环境。

conda create -n geneface python=3.9.16 -y
conda activate geneface
pip install fvcore iopath
conda install -c bottler nvidiacub -y
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113
sudo apt-get install libasound2-dev portaudio19-dev
pip install -r docs/prepare_env/requirements.txt
bash docs/prepare_env/install_ext.sh
1
2
3
4
5
6
7
8

准备3DMM 模型

AD-NeRF、ER-NeRF和GeneFace这些基于NeRF的数字人项目，都需要01_MorphableModel.mat文件。我已经在AD-NeRF项目中，下载好01_MorphableModel.mat文件，因此复制到./deep_3drecon/BFM文件夹下即可。

同样的还有生成face_tracking需要的文件。

cd data_util/face_tracking
conda activate geneface
python convert_BFM.py #生成info文件保存在data_util/face_tracking/3DMM/3DMM_info.npy
1
2
3

下载Exp_Pca.bin和BFM_model_front.mat,并将其保存在./deep_3drecon/BFM文件夹下。

下载FaceRecon Model的预训练模型epoch_20.pth，并将其保存在./deep_3drecon/checkpoints/facerecon文件夹下。

上述四个文件，如果自己网络不能下载，可访问下述链接用百度网盘下载（GeneFace官方的链接）
链接：https://pan.baidu.com/s/1aMCRjrEKyeVeNGnvJoWF8g?pwd=qwer
提取码：qwer

测试

配置好上述环境之后，按照下述代码进行测试。

export PYTHONPATH=./ # 不加这一行，会报“No module named 'deep_3drecon'”的错误。
CUDA_VISIBLE_DEVICES=0 python deep_3drecon/test.py
1
2

数据准备和预处理

LMS3数据集

LRS3-TED 是一个用于视觉和视听语音识别的多模态数据集。它包括来自 400 多个小时的 TED 和 TEDx 视频的人脸轨迹，以及相应的字幕和单词对齐边界。

特定的说话人视频

运行脚本对特定的说话人进行数据处理，命令行如下所示：

export PYTHONPATH=./
export VIDEO_ID=May
CUDA_VISIBLE_DEVICES=0 data_gen/nerf/process_data.sh $VIDEO_ID
1
2
3

bug

数据预处理的主程序是data_util/process.py 文件，video_id默认为May，共有9个小任务。数据处理的过程并不是一帆风顺的，出现了很多bug。我就通过下述命令行，一个任务一个任务地过了一遍，查看具体的bug所在并一一解决。

# --task后面是任务数字，1表示任务1
CUDA_VISIBLE_DEVICES=0 data_util/process.py  --video_id May --task 1
1
2

1. 任务7的AttributeError: _2D错误，错误行为data_util/process.py 文件中的第55行，在issue中找到如下解决方案。
   同样的错误也出现在计算3DMM时，data_util/process.py 文件的第26行，data_gen/nerf/extract_3dmm.py文件中的第16行。
   

训练

GeneFace 包含三个模块：

1. 一个训练于LRS3数据集并通用于所有说话人的语音转动作模块；
2. 一个适用于特定说话人的动作后处理网络，它被训练于LRS3数据集和对应说话人的视频数据；
3. 一个适用于特定说话人的基于NeRF的渲染器，它被训练于对应说话人的视频数据。

SyncNet和Audio2Motion

github项目中提供了在LRS3数据集上预训练的模型压缩文件lrs3.zip 。lrs3.zip文件中包括一个 lm3d_vae_sync模型以实现语音转动作的变换（上述模块1），和一个 syncnet以实现对语音-嘴形对齐程度的衡量，这些模型是通用于所有说话人视频的，只需要训练一次即可。因此，可使用提供的预训练模型；也可以准备好LRS3数据集，在自己的机器上按下述命令训练一遍。

# 训练syncnet模型，适用于所有说话人视频
export PYTHONPATH=./
CUDA_VISIBLE_DEVICES=0 python tasks/run.py --config=egs/datasets/lrs3/lm3d_syncnet.yaml --exp_name=lrs3/syncnet
# 训练Audio2Motion模型，适用于所有说话人视频
export PYTHONPATH=./
CUDA_VISIBLE_DEVICES=0 python tasks/run.py --config=egs/datasets/videos/lrs3/lm3d_vae_sync.yaml --exp_name=lrs3/lm3d_vae_sync
1
2
3
4
5
6

这两步，我没有单独训练，下载的官方提供的模型。

PostNet

postnet模型仅适用于对应的说话人视频，所以对每个新的说话人视频你都需要训练一个新的postnet。

数据准备：LRS3数据集和对应的说话人视频数据集。

export PYTHONPATH=./
CUDA_VISIBLE_DEVICES=0 python tasks/run.py --config=egs/datasets/videos/May/lm3d_postnet_sync.yaml --exp_name=May/postnet
1
2

官方文档中介绍了如何选择合适步数的checkpoints的提示。
原因： 因为postnet训练属于对抗域适应（Adversarial Domain Adaptation）过程，而对抗训练的训练过程被广泛公认是不稳定的。
**可能出现现象：**当训练步数过多时，可能导致模型出现模式坍塌，比如postnet可能会学到将输入的任意表情都映射到同一个target person domain的表情（体现在validation sync/mse loss上升）
解决方案：

1. validation sync/mse loss越低越好；
2. adversarial loss达到收敛。
3. 尽量选择步数较小的checkpoint。

我在这一步最优的checkpoints是8000步。

验证和可视化的命令行如下所示。需要根据自己最优ckpt步数和路径更改infer_postnet.sh文件中的变量赋值。

bash scripts/infer_postnet.sh # predict the 3D landmark sequence.
python utils/visualization/lm_visualizer.py # 可视化
1
2

可视化结果如下所示：

基于RAD-NeRF的渲染器

NeRF模型仅适用于对应的说话人视频，所以对每个新的说话人视频你都需要训练一个新的NeRF模型。

数据准备：LRS3数据集和对应的说话人视频数据集。

conda activate geneface
export PYTHONPATH=./
CUDA_VISIBLE_DEVICES=0 python tasks/run.py --config=egs/datasets/videos/May/lm3d_radnerf.yaml --exp_name=May/lm3d_radnerf
# Train the torso rad_nerf
CUDA_VISIBLE_DEVICES=0 python tasks/run.py --config=egs/datasets/videos/May/lm3d_radnerf_torso.yaml --exp_name=May/lm3d_radnerf_torso
1
2
3
4
5

在训练头部radnerf的时候，报错如下：

原因：ANTIALIAS已弃用，改用Ressampling.LANCZOS即可。

推理

生成说话人视频

当进行推理时，需要两步。

1. 第一步使用postnet模型生成3D landmark序列，见PostNet下的视频。
2. 第二步使用radnerf模型进行推理，合成的视频保存位置如下所示。
   

bash scripts/infer_postnet.sh  # 预测3D landmark序列
bash scripts/infer_lm3d_radnerf.sh
1
2

参考

1. GeneFace code