機器之心發布
機器之心編輯部
火遍抖音的「卡通臉」特效，是怎麼做到又逼真又靈動的？
說到特效玩法，抖音的 「整活兒」 能力一直有目共睹。最近，風頭正勁的是一款「卡通臉」特效。無論男女老少，用上這款特效後，都仿佛從迪士尼動畫裡走出來的人物一樣靈動可愛。「卡通臉」一經上線，在抖音上迅速發酵，深受用戶喜愛，「一鍵變身高甜卡通臉 」「全抖音的在逃公主都來了」「用卡通臉花式曬娃 」「王子公主撒糖手勢舞」「捕捉童話魔法失靈瞬間」 等相關熱點不斷衍生，其中，「全抖音的在逃公主都來了」「捕捉童話魔法失靈瞬間」 更是登上了抖音全國熱點榜。目前，這一特效的使用人數已經超過 900w。
「卡通臉」屬於 3D 風格特效，這類特效的研發難點主要集中在多樣性的 CG 訓練數據不易獲取、靈動的表情神態難以還原、真實貼合的立體膚質光影難以實現、誇張強風格的五官形變 GAN 不易學習等多個方面。對此，字節跳動智能創作團隊在 3D 風格化方向重點突破優化，不僅解決了上述所有難題，還沉澱了一套通用的技術解決方案。
「卡通臉」背後的研發流程創新
過去，一個完整的 3D 風格化研發流程分為以下幾個模塊：
搜集若干原始風格圖片 -> 訓練 StyleGAN 大模型 -> 生成成對數據 -> 人工挑選可用成對數據 + 設計師 P 圖優化 -> 訓練 p2p 小模型，然後不停反覆。
傳統的研發流程的問題非常明顯：疊代周期長，設計師可參與度弱，且不易於沉澱和復用。
在「卡通臉」這個特效的研發中，字節跳動智能創作團隊採用了創新的研發流程：
從設計師製作目標風格效果開始，設計師按照算法約定的要求提供一些3D美術素材，然後字節跳動智能創作團隊藉助DCC軟體批量渲染若干多樣性的CG數據，在渲染過程中技術團隊首次引入時下最火的AIGC技術對數據做了增強處理，之後用GAN合成訓練所需的成對數據，最後採用自研的形變pix2pix模型訓練就可以得到最終效果。
字節跳動智能創作團隊「卡通臉」的研發流程圖
從流程鏈路可以看出，這一方法大大縮減了疊代周期，提高了自動化程度，也讓設計師有更高的參與度，實踐顯示，創新的工程鏈路將疊代周期從 6 個月縮減至 1 個月，方案也更易於沉澱和復用。
「卡通臉」特效是怎麼設計出來的
如今在社交媒體上有越來越多的變身特效，人們越來越注重特效的美觀性和精確度，為了讓用戶更好地實現風格化變身的效果，抖音特效的設計師們經過精心研究，結合了熱門動畫畫風，創新地設計了一套卡通臉特效，讓用戶可以體驗到動畫般靈動的角色風格，同時滿足了用戶的變美變帥需求。
抖音特效設計師針對目前市場上現有的變身特效進行了深入研究，發現現有的特效存在風格不夠吸引人、表情誇張度不足、燈光效果不夠真實等問題。因此，抖音特效設計師結合國內審美，重新設計了卡通臉的畫風，將男女面部比例特徵誇張化，重構成可愛圓臉五官靈巧的 「女孩」 和硬朗長臉五官帥氣的 「男生」。在這一過程中，設計師保留了用戶本身的頭髮，增強了頭髮的蓬鬆感及光澤度，使其與卡通臉的融合更加自然，卡通質感的皮膚也融入了用戶本人皮膚的細節，使特效更具有用戶的個性特徵。
此外，抖音特效的設計師還定義了不同燈光下的光影質感，滿足複雜場景下的燈光還原的需求，使卡通臉更加立體且自然，融入日常自拍無違和感。最後，設計師還製作了誇張符號化的面部表情，通過對數字人資產採用面部捕捉技術生成表情 CG 數據，不斷完善訓練數據和算法，產出了能夠更加靈動展現用戶個性的表情效果。
自建 CG 合成數據流，高質量訓練數據可復用
3D 風格類特效的訓練數據來源依賴高質量的 CG 渲染數據，且對數據分布的多樣性要求比較高，同時 3D 資產手動建模也是一個非常耗費人力的過程，可復用性也不足，往往一個項目花費了昂貴的人力時間成本製作了一批 3D 資產，在項目結束後就完全廢棄了。
此次，字節跳動智能創作團隊搭建了一套通用易擴展的 CG 合成數據工作流。
字節跳動智能創作團隊 CG 合成數據流的流程圖
這一合成數據流的工作流程如下：
1. 通過 Houdini 程序化的生成數字資產，程序化捏臉，綁骨，調整權重等，建立真實感數字人模型資產庫。
多樣性 3D 數字資產
2. 通過 Houdini 的 Solaris 構建 USD 模板，將頭髮，毛髮，頭模，服飾，表情係數等資產分別以 USD reference 導入。
皮膚貼圖樣本
虹膜貼圖樣本
3. 通過 Houdini 的 PDG 對資產，相機角度，燈光環境等進行隨機組合。利用 PDG 對 workitem 的控制，精準的控制數據分布。
自動化的 PDG 節點圖
由於研發過程需要頻繁提供大量的渲染數據用於效果疊代，這需要花費大量算力成本以及渲染等待時間。此前，抖音的「魔法變身」特效上，團隊曾花費了數百萬成本使用外部農場用於數據渲染。而在「卡通臉」特效上，團隊基於字節跳動旗下雲平台火山引擎紮實的基礎設施，大大降低了算力成本。
字節跳動智能創作團隊參考影視工業的流程，搭建了一套自研的渲染農場平台。它可以將離線任務拆解到若干個渲染機器上進行並行處理。通過火山引擎鏡像平台進行鏡像託管、資源池化平台進行資源申請與釋放、cpu/gpu 集群進行容器動態擴縮容，再使用 nas 進行資產管理，渲染農場具備了一鍵擴充數千個渲染節點進行高效計算的能力。
基於此，字節跳動智能創作團隊自定義了單任務處理邏輯，包括前處理、引擎渲染、後處理等步驟。並根據需要，在任何時候動態擴展 / 縮小集群規模以最大化利用算力資源。
為了進一步提高效率，讓設計師更方便參與到效果優化中，技術團隊還製作了飛書小程序供設計師使用，通過飛書觸發雲端的自動化流程來疊代美術效果，在雲端任務完成後，會發送消息回到飛書供設計師查看，大大提高了設計師工作的效率。
同時，字節跳動智能創作團隊自定義了事件驅動（EventTrigger）和 Api 來打通農場、飛書平台以及雲桌面平台，最大程度推進 All in one 理念，讓設計師和工程師都能基於飛書和雲桌面更方便地完成協同研發。
自研的渲染農場平台
AIGC 新技術的應用
隨著 DALL・E 的問世，2021 年初字節跳動智能創作團隊就開始了相關技術的跟進和規劃，字節跳動智能創作團隊在 Stable Diffusion 開源模型的基礎上，構建了數據量達十億規模的數據集，訓練出兩個模型，一個是通用型的模型 Diffusion Model，可以生成如油畫、水墨畫風格的圖片；另外一個是動漫風格的 Diffusion Model 模型。
前不久，由字節跳動智能創作團隊支持的「AI 繪畫」特效在抖音上大火，採用的就是這一新技術。此次在抖音「卡通臉」上，技術團隊進一步挖掘 Diffusion Model 在 3D 卡通風格上的生成能力，採用了圖片生成圖片的策略，首先對圖片進行加噪，然後再用訓練好的文生圖模型在文本的引導下去噪。基於一個預訓練好的 Stable Diffusion 模型，輸入 GAN 生成的與真人圖相匹配的目標 3D 風格結果圖，通過精調過的一組文本關鍵詞，引導目標風格往期望的方向靠近，Stable Diffusion 輸出的結果即作為最終數據交給後續的 GAN 模型學習。
自研的形變 GAN 模型
由於抖音「卡通臉」的目標風格與原始人像相比有較大形變，直接用傳統 p2p 框架難以訓練出高質量效果，字節跳動智能創作團隊自研了一套 p2p 形變 GAN 訓練框架，對於訓練大形變、強風格的卡通目標有很好的效果。字節跳動智能創作團隊自研的形變 GAN 訓練框架包含兩個部分：
1、風格化初步訓練，提取卡通臉風格化信息。技術團隊構建了一個風格化信息交互融合的非配對訓練框架，將真人和卡通臉數據集輸入到該框架就可以提取卡通臉風格化信息。該框架是一個端到端的訓練框架，包含了風格化特徵編碼、特徵融合、重建訓練和風格化初步訓練，訓練完成後得到一個卡通臉風格化信息，用於下一步精細化訓練。
2、融合卡通臉風格化信息，精細訓練。由第一步得到的卡通臉風格化信息包含了風格和形變等信息，將這部分信息融合到真人圖進行精細化訓練，利用 p2p 相關的強監督 loss 進行配對訓練，訓練收斂後得到卡通臉模型。
基於以上創新的技術方案，抖音「卡通臉」不僅簡化了工程鏈路、大幅提升疊代效率，還在大角度、表情豐富度、效果風格還原、光影一致性和多膚色匹配等方面取得了明顯的優化效果。據了解，負責「卡通臉」項目的字節跳動智能創作團隊自 2021 年以來就在 3D 風格化方向重點突破優化，該技術方案已支持多款 3D 風格特效取得平台爆款的成績。
關於字節跳動智能創作團隊：
智能創作團隊是字節跳動 AI & 多媒體技術中台，通過建設領先的計算機視覺、音視頻編輯、特效處理等技術，支持抖音、剪映、頭條等公司內眾多產品線；同時通過火山引擎為外部 ToB 合作夥伴提供業界前沿的智能創作能力與行業解決方案。