数字人论文精读（四十一）：FaceShot，用扩散特征匹配给任何角色做动画

2026/07/07 18:00:00·2026/07/08 11:32:45

数字人 FaceShot Portrait Animation Landmark Diffusion

系列说明：本文属于数字人系列论文精读。FaceShot 与 LivePortrait 和 Ditto 同属肖像动画路线，但它走的不是「改进模型」而是「改进运动接口」——用扩散模型的语义理解能力为任意角色生成精确 landmark，再交给任意 landmark-driven 动画模型。

第一章

引言：当 landmark 检测器遇到非人类角色

肖像动画的核心任务是把一张静态肖像图像「活起来」——用驱动视频中的头部运动、表情和嘴部动作来动画源图像。在这条路线上，LivePortrait #Guo-et-al.-2024 证明了隐式关键点 + stitching + retargeting 的工程价值，把 GAN 路线推到了产品可用。但 LivePortrait 和同期方法都依赖一个隐含假设：驱动视频和源图像都是人类面孔，且面部 landmark 可以被准确检测。

FaceShot 要解决的正是这个假设的盲区。来自同济大学、上海 AI Lab 和南京理工大学的团队发现：当源图像是非人类角色——emoji、玩具、动物、动漫人物——面部 landmark 检测器（如 FAN、STAR、Uni-Pose）会彻底失效 #GaoJ-et-al.-2025。检测失败导致后续的动画模型要么无法工作，要么在狗脸上贴出人类的嘴巴，产生荒诞效果。

论文的核心洞察是：不需要训练一个更好的 landmark 检测器，而是利用扩散模型中间层特征的语义对应能力来完成跨域 landmark 匹配。这使 FaceShot 成为一个 training-free 框架——不需要微调、不需要训练、不需要配对数据。它只需要三步：用扩散特征给任意角色找到精确 landmark；用坐标变换将驱动视频的运动迁移到这些 landmark 上；把得到的 landmark 序列喂给任意 landmark-driven 动画模型。

FaceShot qualitative results on various characters

图 1：FaceShot 能为 emoji、玩具、动物等非人类角色生成稳定动画（来源：arXiv source Figure 1）。

论文还构建了 CharacBench——一个包含 46 个多样化角色（动物、emoji、玩具、动漫角色）的评测基准——并证明 FaceShot 在所有指标上超越 SOTA 方法 #GaoJ-et-al.-2025。更重要的是，FaceShot 可以作为插件接入任何 landmark-driven 动画模型（包括 LivePortrait、AniPortrait、MOFA-Video），显著提升它们在非人类角色上的表现。

第二章

问题剖析：landmark 检测的跨域失败

监督式 landmark 检测的根本局限

当前肖像动画方法分为两类：一类直接用隐式关键点驱动（如 LivePortrait #Guo-et-al.-2024、Face Vid2vid #Wang-et-al.-2021），另一类用显式面部 landmark 作为运动接口（如 AniPortrait #Wei-et-al.-2024、MOFA-Video #Niu-et-al.-2024、Follow Your Emoji #Ma-et-al.-2024）。后者依赖 landmark 检测器从源图像中提取面部关键点。

问题在于，主流 landmark 检测器——STAR #Zhou-et-al.-2023、Uni-Pose #Yang-et-al.-2023、FAN——都是在人类面部数据集上监督训练的。当输入是非人类角色时，这些模型的表现急剧退化。论文在 CharacBench 上测试了三种检测器的 NME（Normalized Mean Error）：

检测方法	NME↓	说明
STAR	24.530	监督式，大量误检
Uni-Pose	13.731	监督式 SOTA，仍不理想
DIFT	11.448	无监督扩散特征匹配
FaceShot	8.569	外观引导扩散特征匹配

FaceShot 把 NME 从最好的监督方法的 13.731 降到 8.569，降幅达 37.6%。关键在于它利用了扩散模型在大量图像上学到的语义理解能力，而非依赖标注数据 #GaoJ-et-al.-2025。

3DMM 的跨域问题

除了 landmark 检测，另一条路径用 3D Morphable Model（3DMM）生成 landmark 序列。但 3DMM 本质上是用人类 3D 面部数据训练的统计模型，对非人类角色同样无法泛化。论文展示了 Deep3D、DECA 和 3DDFAv2 三种 3DMM 方法在非人类角色上的建模结果，均无法正确对齐面部形状，也无法捕捉细微运动如闭眼 #GaoJ-et-al.-2025。

Previous methods generate human mouth on dog face vs FaceShot result

图 2：现有方法在非人类角色上的失败案例。左侧方法在狗脸上生成了人类的嘴（来源：arXiv source Figure 2）。

核心矛盾：landmark-driven 动画模型本身（如 MOFA-Video）有不错的渲染能力，但它们的输入端被 landmark 检测器卡住了。FaceShot 的策略是不碰动画模型，只改善 landmark 的生成质量——这是一个优雅的解耦。

第三章

模型结构：三组件 training-free 框架

FaceShot 的框架由三个组件构成，全部 training-free，无需任何微调或训练 #GaoJ-et-al.-2025：

Appearance-guided Landmark Matching：利用扩散模型特征为任意角色匹配精确 landmark
Coordinate-based Landmark Retargeting：将驱动视频的运动迁移到匹配的 landmark 上
Character Animation Model：将 landmark 序列输入预训练动画模型生成视频

图 3：FaceShot 框架。首先用外观引导的 landmark matching 为参考角色生成精确 landmark，然后通过坐标变换将驱动视频的运动迁移到这些 landmark 上，最后输入动画模型生成视频（来源：arXiv source Figure 3）。

组件 1：Appearance-guided Landmark Matching

这是 FaceShot 的核心创新。基本思路是利用 Stable Diffusion #Rombach-et-al.-2022 的 U-Net 中间层特征来做语义点匹配——即 DIFT 方法 #Tang-et-al.-2023 的思路。但原始 DIFT 在跨域时会产生误匹配：比如把左眼匹配到右耳。

FaceShot 的改进是注入外观先验。受 IP-Adapter #Ye-et-al.-2023 启发，它把参考图像和目标图像都作为图像提示（image prompt）注入扩散模型，然后执行 DDIM inversion 得到确定性扩散特征 #GaoJ-et-al.-2025：

f_{tar} = F_l(\epsilon_\theta(z^{t-1}_{tar}, t-1, c, c'_{ref})), \quad f_{ref} = F_l(\epsilon_\theta(z^{t-1}_{ref}, t-1, c, c'_{tar}))

其中 $z^{t-1}$ 通过 DDIM inversion 迭代采样， $$c$$ 是文本提示 "a photo of a face"， $$c'$$ 是图像提示。 $$F_l$$ 提取 U-Net 第 $$l$$ 层的特征。论文通过网格搜索确定最佳参数： $$t=301$$ ， $$l=6$$ #GaoJ-et-al.-2025。

外观画廊（Appearance Gallery）

为了进一步降低跨域外观差异，FaceShot 构建了一个外观画廊 $G = [G_e, G_m, G_n, G_{eb}, G_{fb}]$ ，包含五个面部部件（眼睛、嘴、鼻、眉、面部轮廓）在多个域（人类、动漫、写实等）的 $$k$$ 张参考图。对于输入参考图，用 CLIP 图像分数匹配最近的域，组合出目标图像 $I_{tar}$ 。这样扩散特征匹配就在域内进行，大幅减少误匹配。

具体地，对于第 $$i$$ 个 landmark 点 $p_{tar}^i$ ，FaceShot 用 $$k$$ 张目标图像的平均特征与参考图像特征做余弦距离最小化匹配 #GaoJ-et-al.-2025：

p^i_{ref} = \underset{p_{ref}}{\arg\min} \ d_{cos}\left(\frac{1}{k}\sum_{j=1}^k f'^j_{tar}(p_{tar}^{j,i}), f'_{ref}(p_{ref})\right)

论文实验表明 $$k=10$$ 是性能和时间的最佳平衡点—— $$k$$ 从 1 增到 10 时 NME 从 12.801 降到 6.343，但继续增大收益递减 #GaoJ-et-al.-2025。

组件 2：Coordinate-based Landmark Retargeting

有了参考角色的精确 landmark 后，下一步是将驱动视频的运动迁移过来。FaceShot 没有使用 3DMM 或学习式方法，而是提出了一个纯坐标变换的 retargeting 模块 #GaoJ-et-al.-2025。

该模块分两个阶段：

阶段一：全局运动。用面部轮廓的两个端点构建矩形坐标系 $(O, \theta)$ ，计算驱动视频从第 0 帧到第 $$m$$ 帧的平移 $\Delta O$ 和旋转 $\Delta\theta$ ，直接迁移到参考图像：

O_{ref}^m = O_{ref}^0 + \Delta O_{dri}, \quad \theta_{ref}^m = \theta_{ref}^0 + \Delta \theta_{dri}

阶段二：局部运动。对五个面部部件（眼、嘴、鼻、眉、轮廓）分别建立局部坐标系，计算相对运动和点运动。点运动用比例缩放来约束：

p^{m,i}_{ref} = \left( \frac{p^{m,i}_{dri}[0]}{p^{0,i}_{dri}[0]} \cdot p^{0,i}_{ref}[0], \frac{p^{m,i}_{dri}[1]}{p^{0,i}_{dri}[1]} \cdot p^{0,i}_{ref}[1] \right)

这个设计简单但有效——它不需要任何训练参数，只需坐标运算，时间开销极低。论文实验显示 retargeting 50 帧只需 0.382 秒 #GaoJ-et-al.-2025。

Coordinate-based landmark retargeting module illustration

图 4：坐标变换 retargeting 模块。全局运动迁移整脸的平移和旋转，局部运动分别迁移五个面部部件的细微运动（来源：arXiv source Figure 14）。

组件 3：Character Animation Model

得到参考角色的 landmark 序列后，FaceShot 将其输入任意 landmark-driven 动画模型 #GaoJ-et-al.-2025。论文默认使用 MOFA-Video #Niu-et-al.-2024——一个基于 Stable Video Diffusion #Blattmann-et-al.-2023 的 landmark-conditioned 动画模型。Landmark 序列通过 ControlNet-like 结构注入 U-Net。

关键在于，这个组件是可替换的。论文在实验中展示了 FaceShot 也可以作为 AniPortrait 的插件，显著提升后者在非人类角色上的表现 #GaoJ-et-al.-2025。

AniPortrait with and without FaceShot as plugin

图 5：FaceShot 作为 AniPortrait 插件的效果对比。原始 AniPortrait 在非人类角色上产生扭曲，FaceShot 提供精确 landmark 后生成和谐结果（来源：arXiv source Figure 10）。

第四章

Training Pipeline：Training-free 的设计哲学

FaceShot 的一个核心卖点是 training-free——不需要微调扩散模型，不需要训练 retargeting 网络，不需要配对数据 #GaoJ-et-al.-2025。这在当前肖像动画领域几乎是一个异类——绝大多数方法都需要某种形式的训练。

为什么不训练？

论文的逻辑是：问题的根源不在动画模型，而在 landmark 生成。如果用扩散模型的语义特征就能做跨域 landmark 匹配，那么训练一个专门的检测器就是多此一举。而且，training-free 带来了几个工程优势：

零数据需求：不需要非人类角色的标注数据（这类数据几乎不存在）
即插即用：不需要为新角色准备训练集，推理时直接运行
通用兼容：可以接入任意 landmark-driven 动画模型

Appearance Gallery 的构建

虽然不需要训练，但 FaceShot 需要预先构建一个 Appearance Gallery——包含五个面部部件在多个域（人类、动漫、写实等）的 $$k$$ 张参考图。这个 gallery 的构建是离线的一次性操作，不增加推理时的训练负担 #GaoJ-et-al.-2025。

每个部件的 landmark 数量分配如下：

部件	眼睛	嘴	鼻	眉	面部轮廓	合计
Landmark 数	12	20	9	10	17	68

这 68 个 landmark 遵循 MOFA-Video 的约定 #Niu-et-al.-2024，与 300W 数据集 #Sagonas-et-al.-2016 的标准一致。

与 LivePortrait 训练策略的对比

作为对比，LivePortrait #Guo-et-al.-2024 使用了两阶段训练：Stage I 在 8 块 A100 上训练 10 天，用 6900 万帧学习基础动画能力；Stage II 冻结基础模块，只训练 stitching / eyes / lip 三个小型 MLP。Ditto #Li-et-al.-2025 更重——用 8 块 A100、batch 1024、500 epochs 训练 Conditional DiT。FaceShot 完全跳过了这些——它的「训练」就是预构建一个外观画廊和选择扩散模型的超参数。

第五章

Inference Pipeline：从源图到动画视频

推理流程

FaceShot 的推理分为三个阶段 #GaoJ-et-al.-2025：

阶段 1：Driving Detection。用 FAN（facexlib 实现）从驱动视频中检测 landmark 序列。这是标准的监督式检测，因为驱动视频是人类面孔，检测器可以正常工作。50 帧耗时约 1.817 秒。

阶段 2：Landmark Matching。这是 FaceShot 的核心步骤。对参考图像执行 DDIM inversion 获取扩散特征，然后在 Appearance Gallery 中匹配最近的域，最后用余弦距离最小化匹配每个 landmark 点。这一步与帧数无关（只需对参考图执行一次），50 帧耗时约 0.860 秒。

阶段 3：Landmark Retargeting。用坐标变换将驱动视频的运动迁移到参考角色的 landmark 上。纯计算，无模型推理。50 帧耗时约 0.382 秒。

三个阶段合计，FaceShot 在 50 帧上额外开销约 3.059 秒。作为插件，它给 MOFA-Video 增加的额外时间仅 119ms（landmark 匹配仅需一次，可分摊到所有帧）#GaoJ-et-al.-2025。

推理配置表

配置项	值	来源
推理硬件	单 NVIDIA H800 GPU	论文披露
扩散模型	Stable Diffusion v1.5	论文披露
图像提示注入	IP-Adapter 预训练权重	论文披露
DDIM inversion 时间步	$$t = 301$$	论文披露
U-Net 特征层	$$l = 6$$	论文披露
目标图像数	$$k = 10$$	论文披露
Landmark 数量	68（300W 标准）	论文披露
动画帧数	64	论文披露
输出分辨率	512 × 512	论文披露
基础动画模型	MOFA-Video（SVD-based）	论文披露
Landmark 检测器（驱动）	FAN（facexlib）	论文披露
训练参数	0（Training-free）	论文披露

推理时间对比

论文提供了详细的推理时间分析。在 50 帧的设置下，各方法的总推理时间如下：

方法	推理时间（50帧）	类型
LivePortrait*	4.321s	GAN-based
FaceVid2Vid*	4.308s	GAN-based
MOFA-Video	79.421s	Diffusion-based
FaceShot	79.540s	Diffusion-based（含 FaceShot 开销）
AniPortrait	99.977s	Diffusion-based
FADM	88.368s	Diffusion-based
X-Portrait	132.702s	Diffusion-based
Follow Your Emoji	112.830s	Diffusion-based
MegActor	174.189s	Diffusion-based

可以看到，FaceShot 相比基础模型 MOFA-Video 仅增加 119ms 开销，这在扩散模型动辄数十秒的推理时间面前几乎可以忽略 #GaoJ-et-al.-2025。而 GAN-based 方法（LivePortrait、FaceVid2Vid）速度快得多，但在非人类角色上无法工作。

第六章

实验配置与验证

CharacBench 评测基准

论文构建了 CharacBench——一个包含 46 个角色的评测基准，涵盖动物、emoji、玩具和动漫角色 #GaoJ-et-al.-2025。选择标准是确保角色尽可能不像人类面部。驱动视频来自 RAVDESS #Livingstone-et-al.-2018 的人类头部视频。

定量对比

FaceShot 在 CharacBench 上与 7 个 SOTA 方法对比 #GaoJ-et-al.-2025：

方法	ArcFace↑	HyperIQA↑	Aesthetic↑	Point-Track↓	失败率
FaceVid2Vid	0.525	33.721	4.267	6.944	—
FADM	0.633	39.402	4.522	6.993	—
X-Portrait	0.490	52.357	4.754	7.301	—
Follow Your Emoji	0.612	52.056	4.906	6.960	—
AniPortrait*	0.634	55.951	4.928	6.367	39.13%
MegActor*	0.613	40.191	4.855	7.183	36.50%
LivePortrait*	0.893	53.587	5.092	7.474	16.67%
MOFA-Video	0.695	52.272	4.952	14.985	—
FaceShot	0.848	53.723	5.036	6.935	0%

注意 LivePortrait 的 ArcFace（0.893）高于 FaceShot（0.848），但 LivePortrait 有 16.67% 的失败率——它无法检测到部分非人类角色的面部，只能在成功检测的角色上计算指标 #GaoJ-et-al.-2025。FaceShot 的 0% 失败率意味着它在所有 46 个角色上都能工作。

消融实验

论文进行了三组消融 #GaoJ-et-al.-2025：

(1) Landmark Matching 消融：FaceShot 的 NME（8.569）显著低于 DIFT（11.448）和监督方法 Uni-Pose（13.731）、STAR（24.530），证明外观引导的扩散特征匹配在跨域场景中明显优于纯 DIFT 和监督方法。

(2) Landmark Retargeting 消融：FaceShot 的 Point-Tracking（6.935）低于 Deep3D（8.282）、Everything's Talking（8.382）和 FreeNet（8.272），证明坐标变换比 3DMM 和学习式方法更精确。

(3) 作为插件的消融：将 FaceShot 的 landmark 输入 AniPortrait 的管线，原始 AniPortrait 因 landmark 不准导致角色扭曲，接入 FaceShot 后生成和谐结果 #GaoJ-et-al.-2025。

实验配置披露表

配置项	状态
数据集名称与规模	CharacBench（46 角色）+ RAVDESS 驱动视频，论文披露
训练/推理硬件	单 H800 GPU（推理），论文披露
优化器 / 学习率 / Schedule	不适用（Training-free）
Batch size / Epoch / 训练时长	不适用（Training-free）
Checkpoint 选择策略	不适用（Training-free）
扩散模型超参数	$$t=301, l=6, k=10$$ ，论文完整披露
基础动画模型	MOFA-Video（SVD-based），论文披露
Landmark 检测器	FAN（facexlib），论文披露

第七章

讨论与启发：与 LivePortrait / Ditto 的架构对比

三个工作的技术路线差异

LivePortrait、Ditto 和 FaceShot 都在做肖像动画，但解决的核心问题完全不同：

维度	LivePortrait	Ditto	FaceShot
核心问题	隐式关键点不够可控	扩散太慢且不可控	Landmark 检测跨域失败
技术路线	GAN + 隐式关键点 + stitching	扩散 DiT + LivePortrait motion space	扩散特征匹配 + 坐标变换
运动接口	隐式 3D 关键点（K≈21）	LivePortrait 运动表示（265D）	显式 2D landmark（68 点）
需要训练	是（两阶段，8×A100，12天）	是（8×A100，500 epochs）	否（Training-free）
推理速度	12.8ms/帧（RTX 4090）	RTF 0.895（A100）	~1.59s/帧（H800）
角色泛化	弱（landmark 检测受限）	弱（训练数据为人类）	强（任意角色）
可控性	stitching + eyes/lip retargeting	gaze + emotion + pose + regional	无（依赖下游模型）
驱动类型	视频驱动	音频驱动	视频驱动
开源	是（GitHub）	是（GitHub）	是（Project Page）

架构对比：运动表示的三个层次

三个工作代表了运动表示的三个层次：

LivePortrait的架构是端到端的：源图和驱动视频各自通过 Motion Extractor $\mathcal{M}$ 提取隐式关键点，然后通过 warping 和 SPADE decoder 生成动画。整个流程在一个框架内完成，stitching 和 retargeting 作为可插拔模块附加在推理阶段。它的优势是速度快（12.8ms/帧）和可控性强，但运动表示是隐式的——当源图不是人类面孔时，Motion Extractor 无法正确提取关键点。

Ditto的架构在 LivePortrait 之上加了一层扩散生成器：HuBERT 提取音频特征 → Conditional DiT 生成运动表示（ $\delta, R, t$ ，共 265 维）→ LivePortrait 的 renderer（ $\mathcal{F}$ + $\mathcal{G}$ ）渲染图像。Ditto 明确声明"We construct the motion space based on LivePortrait" #Li-et-al.-2025——它复用了 LivePortrait 的 Motion Extractor 和 Face Renderer，但在中间插入了一个扩散模型来做音频到运动的映射。这解决了 LivePortrait 无法从音频驱动的问题，但同样无法处理非人类角色。

FaceShot的架构则完全不同——它不在动画模型内部做改进，而是在动画模型的输入端做改进。它用扩散模型的语义特征为任意角色生成精确 landmark，然后用坐标变换迁移运动，最后把 landmark 序列交给任意动画模型。这意味着 FaceShot 可以与 LivePortrait 或 Ditto 叠加使用——FaceShot 负责解决「输入端跨域 landmark」问题，LivePortrait/Ditto 负责解决「模型端动画生成」问题。

Landmark retargeting comparison between FaceShot and other methods

图 6：Landmark retargeting 对比。FaceShot 的坐标变换精确捕捉了闭眼、张嘴等细微运动（来源：arXiv source Figure 9）。

为什么 FaceShot 选择不训练？

FaceShot 的 training-free 设计不是技术限制，而是问题定义的策略选择。如果目标是「让动画模型更强大」，那么应该像 Ditto 那样在模型内部引入扩散生成器。但如果目标是「让动画模型能接受任意角色的输入」，那么最有效的做法是改善输入接口——也就是 landmark 生成——而不是重新训练整个动画模型。

这种策略使得 FaceShot 具有独特的平台化特征：它可以作为任何 landmark-driven 动画模型的前置模块，包括 LivePortrait、AniPortrait、MOFA-Video，甚至未来的新模型。论文在实验中已经验证了与 AniPortrait 的兼容性 #GaoJ-et-al.-2025。

局限性

推理速度慢：FaceShot 依赖 MOFA-Video 做动画生成，50 帧需要 79.540 秒，远慢于 LivePortrait 的 4.321 秒。如果对实时性有要求，FaceShot 目前不适合。
依赖 DDIM inversion：Landmark matching 需要对参考图执行 DDIM inversion，这一步引入了扩散模型的计算开销（约 0.86 秒，但只需执行一次）。
动画模型不可控：FaceShot 本身不提供 stitching、retargeting 等可控性模块——它依赖下游动画模型。如果用 MOFA-Video，则没有 LivePortrait 的精细控制能力。
Landmark 数量固定：使用 68 个 2D landmark 作为运动接口，比 LivePortrait 的 21 个 3D 隐式关键点维度更低，可能在某些精细运动上表达力不足。

最终判断：FaceShot 不是一个「更好的动画模型」，而是一个「更好的运动接口」。它的价值在于解耦了 landmark 生成和动画渲染——用扩散模型的语义理解解决跨域问题，用坐标变换解决运动迁移，把动画生成留给专门的模型。这种解耦策略使它成为 LivePortrait 和 Ditto 的互补而非替代。

参考来源

Gao, Junyao et al. (2025). FaceShot: Bring Any Character into Life. ICLR 2025. arXiv:2503.00740 · Project Page
Guo, Jianzhu et al. (2024). LivePortrait: Efficient Portrait Animation with Stitching and Retargeting Control. arXiv:2407.03168. arXiv · 精读 →
Li, Tianqi et al. (2025). Ditto: Motion-Space Diffusion for Controllable Realtime Talking Head Synthesis. ACM MM 2025. arXiv:2411.19509 · 精读 →
Niu, Xianjie et al. (2024). MOFA-Video: Controllable Image Animation via Generative Sparse Motion Fields. arXiv:2405.20222
Rombach, Robin et al. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022.
Ye, Hu et al. (2023). IP-Adapter: Text Compatible Image Prompt Adapter for Text-to-Image Diffusion Models. arXiv:2308.06721
Tang, Luming et al. (2023). Emergent Correspondence from Image Diffusion. NeurIPS 2023.
Wang, Ting-Chun et al. (2021). One-Shot Free-View Neural Talking-Head Synthesis for Video Conferencing. CVPR 2021.
Wei, Huawei et al. (2024). AniPortrait: Audio-Driven Synthesis of Photorealistic Portrait Animation. arXiv:2403.17694. · 精读 →
Ma, Zhen-Hou et al. (2024). Follow Your Emoji: Real-Time Portrait Animation with Conditional Diffusion. SIGGRAPH 2024.
Blattmann, Andreas et al. (2023). Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets. arXiv:2311.15127
Deng, Jiankang et al. (2019). ArcFace: Additive Angular Margin Loss for Deep Face Recognition. CVPR 2019. · 精读 →
Zhou, Yang et al. (2023). STAR: A Benchmark for Skeletal Human Action Recognition in the Wild.
Yang, Jingkang et al. (2023). Uni-Pose: Improving Sparse-View Pose Estimation with Universal Pose Dictionary. · 精读 →
Sagonas, Christos et al. (2016). 300 Faces In-The-Wild Challenge: Database and Results. Image and Vision Computing.
Livingstone, Steven R. et al. (2018). The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). PLOS ONE.

←上一篇论文精读LiveAct 枢纽页数字人系列