来源：量子位
随便一张照片，就可生成3D头像。而且光线真实，任意角度可调。
这是苹果的最新黑科技生成框架FaceLit。
正如其名，FaceLit的特色就是可以将人脸“点亮”。
“自带光环”的FaceLit在易用性上也不输同类，甚至更胜一筹——
进行3D建模时，需要的照片素材无需专门选择角度，数量上也只需一张。
甚至对表情、发型、眼镜等元素进行调节时，也不需要额外素材。
而传统的头像合成工具或者需要多张图片才能工作，或者对照片角度有刁钻的要求。
正是凭借这一创新，FaceLit获得了3.5的FID评分，较同类产品直接高出了25%。
改进式EG3D合成人像，光线信息单独处理
下面就来看一下FaceLit具体是如何实现头像合成的。
山东省公共资源交易中心正式发出第一张区块链中标通知书:8月9日消息，济南绕城高速东线小许家枢纽至遥墙机场段改扩建工程房建工程施工项目的中标人收到了山东省公共资源交易中心（省政府采购中心）第一张区块链中标通知书，中标人通过手机扫描中标通知书上的上链二维码获取到交易过程关键数据上链存储凭证，凭证内容包括存证主体、文件名称、文件大小、文件格式、文件哈希值及存证时间等相关信息，并加盖存证主体保全印章。同时，中标人还可点击查询上链存储证明书的上链信息附件，获取存证详细内容，包括项目名称、项目编号、开标时间、中标人名称、中标金额等具体交易信息，实现对交易过程关键数据进行查询、验真。（山东省公共资源交易中心）[2023/8/9 21:33:14]
总的来说，苹果采用了将人物本体与光线分别处理再进行叠加的策略。
早期的三维人像合成工具在转换过程中可能产生形变。
而爆火的NeRF通过将场景拆分成具体因素，提高了3D图像合成效果，改善了这一问题。
但苹果团队认为，在可控性方面，NeRF仍存有不足之处。
于是，在EG3D框架的基础上，苹果创造了FaceLit的合成模型。
动态 | 农业农村部：利用区块链等信息技术 实现全国农药质量追溯“一张网”:据农业农村部2月12日消息，为贯彻落实中央农村工作会议、全国农业农村厅局长会议及全国农药管理工作会议精神，农业农村部于近日印发《2020年农药管理工作要点》。其中提到2020年农药管理工作包括完善质量追溯体系。利用区块链等现代信息技术，加快构建全国统一的质量追溯系统，逐步实现全国农药质量追溯“一张网”。完善标签管理办法，推行农药内外包装二维码关联，逐步实现农药生产、经营、使用全链条可追溯。[2020/2/12]
EG3D通过三平面解码器，赋予了二维卷积神经网络生成渲染3D模型所需深度参数的能力。
苹果团队对标准的EG3D训练方式进行了扩展，并将之转化成了FaceLit框架。
△FaceLit与传统EG3D渲染流程对比图
标准的ED3G使用相机位置p参数作为基本输入参数。
动态 | 外媒：万事达卡已批准欧洲第一张加密借记卡:据Blog.Coinspectator消息，万事达卡已批准欧洲第一张加密借记卡。Tap n Go （Tap）已与Transact Payments Limited （TPL）合作，提供TapPrepaidMastercard?，允许客户在接受万事达卡消费的场景中使用Tap持有的加密资产。据悉，Tap n Go已向直布罗陀金融服务委员会申请DLT牌照，目前正在审查中。[2019/4/30]
在建立GAN2操作时，苹果在EG3D的基础上加入了光照参数l。
不同p(左→右)与l(上→下)值下的初始图像
苹果选择了经过球形谐波方式简化后的Phong反射模型作为处理光源的物理基础。
光照参数l就是在这一基础之上独立处理得到的。
在自然界中，反射包括镜面反射和漫反射两种形式。
动态 | 招商基金开具基金业第一张区块链电子发票:据新浪财经报道，近日，招商基金在为客户办理基金购买业务后，成功为客户开出了基金行业首张区块链电子发票。这标志着，深圳市税务局区块链电子发票试点范围由零售、银行、餐饮、物业、游戏行业扩大至基金行业。招商基金是首批通过招商银行代理接入服务接入深圳市区块链电子发票平台的金融机构，也是全国首个开具区块链电子发票的公募基金公司。[2018/12/29]
△不同镜面反射率条件下的效果对比
因此，苹果在ED3G模型中加入了镜面反射解码器和漫反射解码器。
它们替代了可以直接得到颜色c、密度σ数据的三平面解码器。
动态 | 招商银行开具银行业第一张区块链电子发票:据财经网消息，今日，招商银行深圳分行在为客户办理贵金属购买业务后，通过系统直联深圳市税务局区块链平台，成功为客户开出了首张区块链电子发票。这标志着，招商银行成为首批通过系统直接接入深圳市区块链电子发票平台的机构，也成为全国首个区块链电子发票的试点银行。[2018/11/1]
△反射解码器流程示意图
通过对GAN2产生的数据进行再次解码，可以得到镜面反射率ks和漫反射率kd。
然后再通过两种反射着色器得到颜色c，密度σ则由漫反射解码器计算得出。
最终，FaceLit以与三平面解码器相同的参数渲染图像，并进行分辨率优化。
有的放矢设计训练策略，数据无需人工标注
生成框架已有，那就来到训练阶段，其特点在于训练过程中无需人工标注。
方法论层面，在训练时，团队使用了FFHQ、MetFaces和CelebA-HQ数据集。
对于不同的数据集，苹果使用了不同的训练方式。
FFHQ包含了7万余条人脸数据，其训练分为两个阶段：先在较低的分辨率下训练，再提高分辨率再次进行。
对于包含2万数据量的CelebA-HQ，训练不需要分阶段进行。
而对于更小的MetFAces，则只需要通过ADA扩容的方式，使用预训练的FFHQ进行优化调整即可。
定性地看，训练结果在机位、光源和反射高光等方面都有出色的表现，图中的细节也有所增强。
△FaceLit生成的头像唇齿部位的细节进行了明显重构
定量结果同样表明，FaceLit在FID、KID等指标上均优于包括标准EG3D在内的传统生成方式。
在使用FFHQ作为训练集的条件下，各生成方式的表现如下表，不难看出FaceLit拥有最低的FID和KID值。
而相比于英伟达的StyleGAN2，FaceLit的表现依旧出色：
光线准确度方面，FaceLit在使用三种不同训练数据集的情况下，与人工设定的标准值平均均方误差均低于0.01。
网友：人们低估了苹果AI
消息发出后，便有网友认为“这是对更重磅产品的预热”。
更有网友直接推测，FaceLit的出现标示着人工智能将进军AR和VR领域，苹果的混合现实将最终实现商用……
也有网友认为，FaceLit不会商用，否则苹果才不会以论文的形式发表。
针对FaceLit本身，也有网友表示，除了LLM，其他都是浮云，他们如果不开发LLM，就没有未来。
但这位网友同时也说，苹果可能已经在做了。
相应的，也有网友称人们“低估了苹果在AI领域的深度”。
所以各位网友对苹果在AI领域还有什么样的期待呢？
论文地址：https://arxiv.org/abs/2303.15437
GitHub地址：https://github.com/apple/ml-facelit
参考链接：https://twitter.com/AlphaSignalAI/status/1648361623004774400
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。