田裕，景恩彪

(华北理工大学人工智能学院，唐山 063210)

0 引言

随着生成式对抗网络[1]的技术发展，计算机对图像、视频内容的理解取得了重大性的突破，同时这也引起在计算机图形学领域中一部分学者的关注。这种情况造成计算机视觉不再全面专注于对图像的理解，例如图片的分类、分割等操作，转而融合相反的图像操作方向，图像合成。这也打开人们对图像生成领域研究的大门，图像合成是指将图像理解的信息：噪声、标签，转换成图像的过程。其中人脸图像是在计算机视觉中应用最广泛的图像类型之一，人脸动画技术又在计算机图形学的动画领域发展了数十年成为其中的关键技术之一，所以人脸图像合成技术普遍用于社会的各个领域。

人脸之所以被广泛研究主要因为人脸是区分不同的人类个体之间特征的突出表现，并且人脸图像在计算机里面的表示又是一种常见的矩阵数据类型，在社会中人脸因有独特的辩识性而在社会互动中具有特别重要的地位[2]。应运而生人脸在视觉领域有了以下应用，如人脸检测、人脸特征识别、人脸情感判断分析、人脸影像以及人脸面部动画等[3]。

最近在人脸动画生成领域中出现了一项生成人脸讲话动作的研究，其工作内容是根据不同的语音片段来改变不同身份特征人物的嘴部动作，呈现出特定人物在描述该语音片段内容的讲话视频。该方法致力于解决语音到视频的转换问题，可以帮助听力受损的用户使用唇读技术识别语音内容，同时在电影、摄影、娱乐等一些感兴趣的领域具有很大的应用潜力。……