DeepFaceLab

DeepFaceLab：脸部替换艺术全解析
最新推荐文章于 2024-09-19 15:35:01 发布
原创 最新推荐文章于 2024-09-19 15:35:01 发布 · 2.9k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

DeepFaceLab从半脸（Half Face）到全脸（Full Face）再到整脸（Whole Face），脸部替换的区域愈来愈大，适用的范围也越来越广，效果也越来越震撼。当然很多人已经不满足与单纯换脸，而是希望把整个头给换了。这样的好处很明显，脸型不匹配的问题就不存在了，而且整体效果也会更加震撼。

从本质上来说，脸型的变化，影响的主要是替换区域/覆盖区域。
在这里插入图片描述

  • 半脸适应性强，很多时候可以轻松出好的效果，但是有时眉毛换不了，下巴也会是个问题。
  • 中脸的面积比半脸大概大了30%，角上比较圆，眉毛也能被包含，感觉整体优于半脸。每种脸型都有适用的场景，比如换女性，中脸就比较合适了，因为不需要考虑胡子的因素。
  • 全脸是包含了眉毛的同时，包含下巴。使用全脸的情况下，嘴唇下面的胡子和下巴下的胡子基本也能还原出来。全脸相对对素材的要求会非常高，如果素材不够优质，可能会变“花脸”，明暗不均，或者颜色不均都比较常见。

参考资料
DeepFaceLab：讲解“AI换头”全过程！
DeepFaceLab
DeepFaceLab 2.0 Guide

DeepFaceLab技术浅析（二）：数据准备与预处理
m0_75253143的博客
12-18 1084
DeepFaceLab 的数据准备与预处理流程主要包括以下步骤：1.视频/图片输入：提供源视频/图片和目标视频/图片。2.视频分解与帧提取：将视频分解为单独的帧图像。3.面部检测与对齐：检测视频帧中的面部，并进行对齐和裁剪。4.数据增强：通过数据增强技术增加训练数据的多样性。5.数据存储：将处理后的面部图像存储在指定的文件夹中，分为源面部和目标面部。
DeepFaceLab技术浅析（四）：生成对抗网络
m0_75253143的博客
12-19 1094
生成对抗网络（GAN）由两个主要部分组成：1.生成器（Generator）：负责生成逼真的面部图像。2.判别器（Discriminator）：负责判断输入的面部图像是真实的还是生成的。GAN 的训练过程是一个对抗过程，生成器试图生成尽可能逼真的图像以欺骗判别器，而判别器则试图更好地区分真实图像和生成图像。通过这种对抗训练，生成器逐渐生成更加逼真的图像。
DeepFaceLab小白教程：视频换脸过程
梁诗傑的博客
04-23 1万+
使用DeepFaceLab，快速体验视频换脸过程。
想要提高DeepFaceLab（DeepFake）质量的注意事项和技巧（一）
Shion's bla bla blog
03-15 3万+
准备好源脸，仔细处理目标视频的脸部识别。Quick96试验效果。
想要提高DeepFaceLab（DeepFake）质量的注意事项和技巧（二）
Shion's bla bla blog
10-26 2万+
新版2.0趋于稳定，每个人都可以开心的玩了。
deepfacelab2 merged参数选择 轻薄本
TileoBaby的博客
06-08 2342
本文可以给那些第一次使用deepfacelab且电脑配置较差的同学提供一些merged过程参数选择的参考。在迭代次数不足的情况下，如果merged过程全部使用默认参数，效果可能很不理想。但是通过设置merged参数也能得到还凑活的效果。
DeepFaceLab “整脸”结合AE的使用方法！
托尼不是塔克
03-03 6826
单一技能是越来越跟不上发展了。不少学设计的跑过来学AI换脸，没想到有一天玩AI的还得去学AE~哈哈。 前不久介绍了一下DFL更新的情况，其中提到了一个新增的脸型“wholeface” ，意思就是整个脸。之前有个“fullface”称之为全脸，其实全脸并不是整个脸，他还是没有包含额头，而整脸是包含了额头。外国人不P图，抬头纹可以很抢戏哦！ 但是因为...不知道什么原因，DFL的即便选了...
deepfacelab下载安装及训练(小白篇)，以及导出SAEHD为dfm文件，解决broken pipe问题
caoyongsheng的博客
03-30 2658
其中如果用的是RTX30系列显卡的话，需要把WIN10升级到20H4或更新版本，然后打开硬件加速，不然会出现训练时一直卡在第一个迭代不动了，我的服务器版本为22H2，符合。支持WIN10,win11，WIN7,LINUX，不支持mac（因为mac不支持NVIDIA显卡）
DeepFaceLab训练技巧
Ppandaer的博客
09-19 1017
数据一致性：删除 inter_AB 文件夹可以确保数据的一致性，避免旧数据对模型的影响。训练过程：重新生成 inter_AB 文件夹中的数据可以确保模型在训练过程中使用最新的清晰图片。模型更新机制：通过重新生成数据并重新训练，可以确保模型从头开始学习新的特征，而不受旧数据的影响。通过上述步骤，可以确保模型充分利用新的清晰图片进行训练，并输出更高质量的结果。如果不删除 inter_AB 文件夹，模型可能会继续受到旧数据的影响，导致输出结果仍然不够清晰。
DeepFaceLab：A simple，flexible and extensible face swapping framework（2020）
studyeboy的专栏
06-22 5487
[Paper] DeepFaceLab:A simple, flexible and extensible face swapping framework [Code-Pytorch]deepfakes/faceswap [Code-Official]iperov/DeepFaceLab
非常规的DeepFaceLab（DeepFake）小花招和注意事项
Shion's bla bla blog
09-29 9016
现在的DeepFaceLab已经非常稳定，稳定到作者不咋更新代码了……
一张图看懂DeepFaceLab的全脸，中脸，半脸！
托尼不是塔克
02-03 7753
我记得早期有非常多的人问我DF和H128的差别是什么？哪个比较好？我说就是全脸和半脸的差别。 然后又会收到问题，什么是全脸，什么是半脸，后来我专门写了一篇文章。 随着Deep Face Lab的不断升级，在发布SAEHD的同时，其实又新增了一种脸型–中脸（Middle Face） 。 不知道各位玩家有没用上这个参数，可以开启新世界哦。现在热闹了，全脸，中脸，半脸全部有了。 其实，从本质上...
简单介绍DeepFaceLab（DeepFake）的使用以及容易被忽略的事项
热门推荐
Shion's bla bla blog
04-29 7万+
DeepFaceLab 是一个应用机器学习进行视频中人物换脸的工具。本文主要是讲诉Deepfacelab的使用，纠正一些网络文章的错误，注意事项。
faceswap算法之DeepFaceLab
年轻即出发，
06-20 1万+
论文：DeepFaceLab: A simple, flexible and extensible faceswapping framework Github：https://github.com/iperov/DeepFaceLab 论文提出了一个简单，灵活，可扩展的换脸框架DeepFaceLab。 使用DeepFaceLab进行换脸的，汤姆·克鲁斯2020“参选”美国总统的竞选广告 主要贡献： 一个具有成熟流程的state-of-the-art 的框架提出，旨在获得真实图片结果..
DeepFaceLab小白入门（4）：提取人脸图片！
abc8359852的博客
03-30 1万+
通过上面级片文章，你应该基本知道了换脸的流出，也能换出一个视频来。此时，你可能会产生好多疑问，比如每个环节点点到底是什么意思，那些黑漆漆屏幕输出的又是什么内容，我换脸效果这么差，该如何提升？等等，好奇宝宝已上线，不搞明白睡不着。接下来，我就把每个环节展开说一说。本篇文章主要说“人脸提取部分”。 DeepFaceLab 更目录如下。 workspace工作目录如下 ...
深度学习AI美颜系列---肤色相似度计算（CIELAB色差计算）
Trent1985的专栏
10-25 1万+
深度学习AI美颜系列---肤色相似度计算（CIELAB色差计算） 在AI美颜中，经常会用到肤色相似度计算，如何实现这个算法？ 步骤如下： 1，人脸皮肤分割； 2，对人脸皮肤分割结果进行LAB颜色空间转换； 3，设立预置肤色分类卡，记录每种肤色的LAB值； 4，根据当前用户人脸皮肤区域的LAB值，与预置肤色卡中的每种肤色LAB进行CIELAB色差计算，色差最小的，即为最接近的...
DeepFaceLab：视频中有多人，仅替换特定人脸的方法！
托尼不是塔克
09-06 1万+
DeepFaceLab自带的视频素材，一个是钢铁侠托尼斯塔克，一个是变形金刚男主角山姆。每一个视频中只有一个人。所以当你第一次玩的时候很顺畅，什么都不用管，一步一步按教程来就好好了。 直到有一天你换了一个新的视频。而一个视频中出现的人物不止一个，或者一个画面中就有一群人。这个时候你就会遇到一个问题：如何只换你想换的那个人？ 按默认的流程来走的话，是所有人的脸都会被换掉。 此时，你就必须学...
深度学习常用显卡比较
studyeboy的专栏
03-10 4万+
Titan RTX深度学习评测结果 NVIDIA TITAN RTX 专为数据科学、AI 研究、内容创作和通用 GPU 开发而构建。它基于 Turing 架构搭建，具有 4608 个 CUDA 核心、576 个用于加速 AI 的全速混合精度 Tensor Core 核心和 72 个用于加速光线追踪的 RT 核心。TITAN RTX 还包含 24 GB GPU 显存，支持使用大批量样本训练神经网络、处理大型数据集，并适用于大型动画模型和其他占用大量内存的工作流程。 AI硬件供应商Lambda Labs对Tit
deepfacelab训练模型
最新发布
02-17
### 使用 DeepFaceLab 进行模型训练 #### 准备工作环境 为了顺利运行 DeepFaceLab，建议使用 Windows 或 Linux 操作系统。安装必要的依赖库，包括 Python 和 TensorFlow 等机器学习框架[^1]。 #### 数据准备 收集并整理用于训练的人脸图像数据集。通常需要两组不同的个体照片作为源图片(source)和目标图片(dst)，每张图片应保持清晰度良好且正面朝向为主。创建两个文件夹分别存储这两类图像，并确保命名简单易识别[^2]。 #### 安装配置工具包 下载最新版本的 DeepFaceLab 并解压到本地磁盘上指定位置；打开命令提示符窗口进入该目录下执行 `setup_env.bat` 脚本完成虚拟环境搭建以及所需软件包自动部署操作[^3]。 ```bash cd path\to\DeepFaceLab call setup_env.bat ``` #### 预处理阶段 利用 extract 子模块提取人脸特征点信息并将原始素材转换成适合神经网络输入格式的小尺寸裁剪图。此过程会自动生成对应标签文件供后续步骤调用： ```bash python main.py videoed extract-video --input-file data_dst.mp4 --output-dir workspace/data_dst --debug python main.py extract --input-dir workspace/data_src --output-dir workspace/data_srcaligned --detector s3fd python main.py extract --input-dir workspace/data_dst --output-dir workspace/data_dstaligned --detector s3fd ``` #### 训练模型 启动 training 工具开始迭代优化权重参数直至收敛稳定为止，在这个过程中可以实时查看损失函数变化曲线来评估当前进度情况。推荐选用 SAEHD 架构因为它能够较好平衡性能与质量之间的关系[^4]: ```bash python main.py train --training-data-src-dir workspace/data_srcaligned \ --training-data-dst-dir workspace/data_dstaligned \ --model-dir models/SAEHD \ --model-name SAEHD ``` #### 后期合成测试 当满意于所得到的结果之后就可以尝试通过 convert 命令把经过修饰过的面孔无缝融合回原视频流当中去实现最终效果预览了: ```bash python main.py convert --input-dir input_dir --output-dir output_dir --model-dir model_SAE --force-model-name SAE ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值