隨便一張照片，就可生成3D頭像。而且光線真實，任意角度可調。這是蘋果的最新黑科技生成框架FaceLit。正如其名，FaceLit的特色就是可以將人臉“點亮”。“自帶光環”的FaceLit在易用性上也不輸同類，甚至更勝一籌——

進行3D建模時，需要的照片素材無需專門選擇角度，數量上也只需一張。

甚至對錶情、髮型、眼鏡等元素進行調節時，也不需要額外素材。

而傳統的頭像合成工具或者需要多張圖片才能工作，或者對照片角度有刁鑽的要求。

正是憑藉這一創新，FaceLit獲得了3.5的FID評分，較同類產品直接高出了25%。

改進式EG3D合成人像，光線信息單獨處理

下面就來看一下FaceLit具體是如何實現頭像合成的。

總的來說，蘋果採用了將人物本體與光線分別處理再進行疊加的策略。

早期的三維人像合成工具在轉換過程中可能產生形變。

而爆火的NeRF通過將場景拆分成具體因素，提高了3D圖像合成效果，改善了這一問題。

但蘋果團隊認為，在可控性方面，NeRF仍存有不足之處。

於是，在EG3D框架的基礎上，蘋果創造了FaceLit的合成模型。

EG3D通過三平面解碼器，賦予了二維卷積神經網絡生成渲染3D模型所需深度參數的能力。

蘋果團隊對標準的EG3D訓練方式進行了擴展，並將之轉化成了FaceLit框架。

FaceLit與傳統EG3D渲染流程對比圖

標準的ED3G使用相機位置p參數作為基本輸入參數。

在建立GAN2操作時，蘋果在EG3D的基礎上加入了光照參數l。

不同p(左→右)與l(上→下)值下的初始圖像

蘋果選擇了經過球形諧波方式簡化後的Phong反射模型作為處理光源的物理基礎。

光照參數l就是在這一基礎之上獨立處理得到的。

在自然界中，反射包括鏡面反射和漫反射兩種形式。

不同鏡面反射率條件下的效果對比

因此，蘋果在ED3G模型中加入了鏡面反射解碼器和漫反射解碼器。

它們替代了可以直接得到顏色c、密度σ數據的三平面解碼器。

反射解碼器流程示意圖

通過對GAN2產生的數據進行再次解碼，可以得到鏡面反射率ks和漫反射率kd。

然後再通過兩種反射著色器得到顏色c，密度σ則由漫反射解碼器計算得出。

最終，FaceLit以與三平面解碼器相同的參數（c，w，σ）渲染圖像，並進行分辨率優化。

有的放矢設計訓練策略，數據無需人工標註

生成框架已有，那就來到訓練階段，其特點在於訓練過程中無需人工標註。

方法論層面，在訓練時，團隊使用了FFHQ、MetFaces和CelebA-HQ數據集。

對於不同的數據集，蘋果使用了不同的訓練方式。

FFHQ包含了7萬餘條人臉數據，其訓練分為兩個階段：先在較低的分辨率下訓練，再提高分辨率再次進行。

對於包含2萬數據量的CelebA-HQ，訓練不需要分階段進行。

而對於更小的MetFAces，則只需要通過ADA擴容的方式，使用預訓練的FFHQ進行優化調整即可。

定性地看，訓練結果在機位、光源和反射高光等方面都有出色的表現，圖中的細節也有所增強。

FaceLit生成的頭像（左側四列）唇齒部位的細節進行了明顯重構

定量結果同樣表明，FaceLit在FID、KID等指標上均優於包括標準EG3D在內的傳統生成方式。

在使用FFHQ作為訓練集的條件下，各生成方式的表現如下表，不難看出FaceLit擁有最低的FID和KID值。

而相比於英偉達的StyleGAN2，FaceLit的表現依舊出色：

光線準確度方面，FaceLit在使用三種不同訓練數據集的情況下，與人工設定的標準值平均均方誤差均低於0.01。

網友：人們低估了蘋果AI

消息發出後，便有網友認為“這是對更重磅產品的預熱”。

更有網友直接推測，FaceLit的出現標示著人工智能將進軍AR和VR領域，蘋果的混合現實將最終實現商用……

也有網友認為，FaceLit不會商用，否則蘋果才不會以論文的形式發表。

針對FaceLit本身，也有網友表示，除了LLM，其他都是浮雲，他們（蘋果）如果不開發LLM，就沒有未來。

但這位網友同時也說，蘋果可能已經在做（LLM）了。

相應的，也有網友稱人們“低估了蘋果在AI領域的深度”。

所以各位網友對蘋果在AI領域還有什麼樣的期待呢？

來源：量子位