浅谈DF架构换脸原理，新人少走点弯路

xunlian

星级打分

• 1
• 2
• 3
• 4
• 5

平均分:NAN  参与人数:0  我的评分:未评

上图是一张DF架构的原理简图


名词解释
inputA inputB：素材（SCR DST）
ENcoder：编码器
decoder：解码器（SCR DST）
总结：
DF架构 是一个共享编码器，分离解码器的架构。DF架构换脸逼真。

1、Trainning （训练）
举个例子：
我想把热巴老师的脸换到本庄老师脸上。准备好SCR热巴老师，DST本庄老师素材后，启动训练。
inputA=本庄老师  inputB=热巴老师

工作流：
假如一张本庄老师正面微笑的图片（假设正确编码是10086），进入编码器后，编码器输出10010，解码器把10010还原成图像，还原成的图像和原图通过LOSS函数进行对比，再反馈给编码器，（编码器兄弟，这个编码不对），编码器就继续编码，直到编码接近10086（注意用词是接近，永远不可能到10086，就像loss函数一样，永远不可能把损失降到0）.
热巴老师训练过程如上。
这个过程对应训练图框中1-4列。

2、Converting （换脸）
训练一段时间后，1-4列的成像很接近了，二弟已经蠢蠢欲动了，启动换脸。
当本庄老师正面微笑的图片（假设正确编码是10086），进入编码器后，编码器输出 10085.555,（这里要注意了，回看原理图），热巴老师解码器（没错，你没看错，是热巴老师解码器）接收10085.55编码后，热巴老师解码器输出一张接近10085.55的图片（正面微笑）。前提条件：（热巴老师也要有正面微笑的素材，如果没有，解码器无法生成图片）。
这就是对应训练图框中的第5列。


总结：训练和换脸两个工作流其实是同时在进行的，这就是训练中你看到的5列图框


下面来讨论几个问题
Q1：为什么DF换脸逼真
A：因为SCR和DST有各自解码器，训练阶段中，各自的解码器不会相互干扰。

Q2：现在预训练方法基本是SCR-SCR（SCR和DST放入同样素材），是否正确。
A：个人观点，不赞成此方法。
污染了SCR解码器，SCR和DST放入同样的素材，相当于SCR的解码器要接收多个人10085.55编码。（好比一个10年只画热巴老师画像的画师和一个10年画各种人物的画师，你说画一张正面微笑画，你说谁会画的像热巴老师？）

论坛中有很多百万预训练丹，虽然拿来用成像很快，1-4列很快就出图像了。原理本质上是编码器和解码器得到了大量的训练，所以成像快，但同时SCR解码器也被污染了，所以第5列是不像的。继续训练下去，其实就是花时间清除污染。

前面也论述了1-5列其实是同时训练，用预训练丹花时间去清楚污染，还是直接从零单SCR多DST的训练，这就仁者见仁了。

xunlian

狗蛋 发表于 2025-3-13 16:00
liae架构的使用这种方法可行吗

DF架构：共享编码器 分离解码器，好比有2个医生给一个病人会诊，2个医生会分别的进行病情推理，根据2个医生的推理，意见综合在一起，逐渐推向正确的方向。
LIAE架构：共享编码器 共享解码器 只有一个医生。好比你上午找他，下午找的又是他。接待你的都是一个医生。


LIAE解码器共享，SCR-SCR其实意义不大，非要说有什么作用的话，无非原来1分钟学习1个单词，变成1分钟学习2个单词，LIAE架构就好比稳扎稳打一步一个脚印。

dfl9999

正训中src-src根本就不能称作预训练，本来就是一种数据污染，预训练中src-dst之间是不会建立映射的，src和dst独立运作，正训中src-src的映射是无效映射

mzh920

实践比理论更重要

狗蛋

那liae架构的呢

xunlian

dfl9999 发表于 2025-3-12 02:32
正训中src-src根本就不能称作预训练，本来就是一种数据污染，预训练中src-dst之间是不会建立映射的，src和d ...

在模型的世界里，不存在预训练和正训。当你把素材放进，启动训练后，编码器和解码器的权重已经开始累积。


你说的映射其实也不存在，从原理图中可以清晰看到，DST编码后，由SCR解码器生成图像。与其说是映射，准确说是编码特征匹配。就好比100美元和100人民币同时被编码器编码定义为100，但是100在DST的解码器里是一张绿色美元，但是100在SCR解码器里是一张红色毛爷爷，即使你拿100日元出来，只要编码器把100日元也编译成100，由于100在SCR里就是毛爷爷，不管你是100韩元 100台币，只要是被编码成100，在SCR眼里都是毛爷爷。（专丹原理）


由于是共享编码器结构，SCR和DST会统一编码，即标准编码+非标准编码。
标准编码:简单理解就是人脸角度（90度 45度 30度）
非标准编码：人脸表情特征（睁眼闭眼，张嘴闭嘴，肤色等）
这里插一句关于预训练，所谓预训练真正目的是训练标准特征，而非非标准特征。上百W的预训练，其实已经是在训练非标准特征。

当DST本庄老师是一张90度 张嘴 闭眼的脸送入编码器后生成901022的编码（90人脸角度 10张嘴 22闭眼），SCR解码器接收到后，从编码中解析出这是一张90度 张嘴 闭眼的脸。就会在热巴老师数据库中寻找接近901022的数据。数据中有一张901021.78最为接近，那就生成热巴老师901021.78的脸。

当DST本庄老师是一张90度 闭嘴 闭眼的脸送入编码器后生成901122的编码（90人脸角度 11闭嘴 22闭眼），SCR解码器接收到后，从编码中解析出这是一张90度 闭嘴 闭眼的脸。就会在热巴老师数据库中寻找接近901122的数据。可是数据中还是只有一张901021.78最为接近，那就依然生成热巴老师901021.78的脸。此时就会出现本庄老师闭嘴，但是热巴老师依然张嘴的画面。

不管在预训练还是正训，第5列换脸图像始终都在。第5列图像实际显示的就是在同一个编码状态下，SCR和DST的特征匹配情况。

xunlian

狗蛋 发表于 2025-3-12 09:22
那liae架构的呢

LIAE架构 解码器共享，已经被污染了，从解码器角度注定了无法达到逼真换脸，不做过多说明

wangdaye

liae的光影好 换黄瓜视频liae的很好

wmop890709

受教了，同源训练果然不靠谱啊

xunlian

wmop890709 发表于 2025-3-13 00:10
受教了，同源训练果然不靠谱啊

SCR-SCR方法可以在后期使用。单SCR和DST训练后期，可以采取SCR-SCR适当训练一段时间。此方法好处可以加速学习一些微小特征（脸上痣）。原理就是SCR和DST两个解码器同时驱动编码器去学习同一张素材，事半功倍。同时又保证了SCR解码器没有被污染。

zj13528

学习了