기술 요약: 함께 말하기: 단일 오디오에서 공존하는 3D 대화를 합성하기

문제 정의

본 논문은 단일 혼합 오디오 스트림으로부터 상호작용하는 두 명의 공존 참가자에 대한 완전하고 사실적인 3D 얼굴 애니메이션을 생성하는 과제를 다룹니다. 기존 오디오 기반 3D 애니메이션 연구는 크게 발전했으나, 주로 단일 화자 생성에 초점을 맞추거나 화상 회의와 유사한 '육체 없는' 말하는 머리를 생성합니다. 이러한 이전 접근법들은 참가자들의 물리적 공존을 모델링하지 못하여, 공유된 3D 공간에서 파생된 중요한 비언어적 단서들, 즉 반응적인 머리 움직임, 상호 시선, 그리고 동적인 공간적 관계 (상대적 위치와 방향) 를 무시합니다. 저자들은 이 분야의 진전을 위한 주요 장벽으로 자연스러운 이인 대화 (dyadic conversations) 를 포착하는 대규모 고품질 3D 학습 데이터의 부족을 지적합니다.

방법론

1. 데이터 큐레이션 파이프라인

데이터 부족을 극복하기 위해 저자들은 두 개의 상호 보완적인 데이터셋을 큐레이션하기 위한 새로운 파이프라인을 도입합니다:

• 이인 대화 데이터셋: '야외 (in-the-wild)' 비디오에서 추출된 200 만 쌍 이상의 상호작용 쌍으로 구성된 방대한 코퍼스입니다. 이 데이터셋은 자연스러운 대화 역학과 공간적 관계를 포착하지만, 가려짐과 낮은 해상도의 문제가 있습니다. 해당 파이프라인에는 시나리오 필터링 (화상 통화 제거), 품질 관리 (가려지거나 흐릿한 얼굴 필터링), 오디오 소스 분리 (Looking to Listen 사용), 그리고 3D 얼굴 재구성이 포함됩니다.
• 합성 더빙 데이터셋: 고품질의 정면 단일 인물 비디오에서 세그먼트를 재조립하여 생성된 고품질 데이터셋입니다. 이는 완벽한 정답 화자 마스크와 정확한 입술 움직임을 가진 '가짜 대화 (pseudo-conversations)'를 만들어내며, 이는 강력한 입술 동기화 전문가 모델을 학습하는 데 필수적입니다.

2. 모델 아키텍처

시스템의 핵심은 공유된 U-Net 백본을 기반으로 구축된 이중 스트림 확산 (dual-stream diffusion) 아키텍처입니다:

• 이중 스트림 설계: 두 개의 병렬 스트림이 각 참가자에 대한 노이즈 입력을 동시에 처리하여, 얼굴 움직임에 대한 통합적이고 화자 중립적인 표현을 촉진합니다.
• 크로스 어텐션 메커니즘: 디코더 내의 이중 화자 크로스 어텐션 레이어는 두 스트림 간의 양방향 정보 교환을 가능하게 합니다. 이를 통해 모델은 상호 영향, 턴 테이킹 역학, 그리고 반응적인 비언어적 행동을 포착할 수 있습니다.
• 화자 역할 임베딩: 학습 가능한 임베딩 ($e_{speak}$ 및 $e_{listen}$) 은 화자 확률 마스크를 기반으로 보간되어 각 참가자의 대화 상태 (말하기 vs 듣기) 를 동적으로 인코딩합니다.
• 동적 조건부: 모델은 Wav2Vec 오디오 특징, 역할 임베딩, 화자 확률 마스크, 그리고 결정적으로 두 머리의 **초기 3D 병진 (translations)**을 포함하는 포괄적인 벡터에 조건부로 설정됩니다.

3. 학습 전략

저자들은 상호작용 역학과 발음 정밀도 사이의 균형을 맞추기 위해 이 단계 학습 전략을 사용합니다:

• 1 단계 (사전 학습): 모델은 일반적인 오디오 - 시각 정렬과 상호작용 행동 (머리 회전, 병진, 표정) 을 학습하기 위해 방대하고 다양한 이인 대화 데이터셋에서 사전 학습됩니다.
• 2 단계 (미세 조정): 모델은 고품질 합성 더빙 데이터셋에서 미세 조정됩니다. 이 단계에서 손실 함수는 주로 말하는 참가자의 입술과 턱 발음 매개변수로 제한되어, '야외' 데이터에 내재된 입술 동기화 모호성을 교정합니다.

4. 공간 제어 및 시선 모델링

• 텍스트 기반 공간 제어: 참가자들의 상대적 위치를 직관적으로 제어할 수 있도록, 시스템은 퓨샷 프롬프팅 (few-shot prompting) 방식으로 대규모 언어 모델 (LLM) 을 사용합니다. 사용자는 자연어 프롬프트 (예: "나란히 서 있기") 를 제공하며, LLM 은 초기 3D 병진 좌표를 예측하여 확산 모델을 조건부로 설정합니다.
• 보조 시선 손실 함수: 사실적인 상호 시선을 촉진하기 위해 표적 손실 함수가 도입됩니다. 이 손실은 상당한 머리 움직임이 있는 샘플에 선택적으로 적용되어, 모델이 자연스러운 시선 이동과 시선 접촉 패턴을 학습하도록 장려합니다.

주요 기여

1. 대규모 데이터셋 큐레이션: 견고한 학습을 위한 200 만 쌍의 이인 대화 데이터셋과 고품질 합성 더빙 데이터셋을 산출하는 자동화 파이프라인의 구축.
2. 이중 스트림 확산 아키텍처: 공유된 U-Net 백본, 크로스 어텐션, 그리고 FiLM 조건부 설정을 갖춘 새로운 모델로, 혼합 오디오를 효과적으로 분리하고 화자 - 청자 상호작용을 모델링합니다.
3. 혼합 데이터 학습 전략: 상호작용 기반을 위한 방대한 실제 세계 데이터와 정밀한 입술 동기화를 위한 고품질 합성 데이터를 활용하는 이 단계 접근법.
4. 제어 가능한 공간 역학: 텍스트 프롬프트를 통한 제어 가능한 공간 배치와 특수 손실 함수를 통한 사실적인 상호 시선으로 명시적으로 공존하는 3D 퍼포먼스를 합성하는 최초의 시스템.

결과

본 방법은 단일 화자 모델 (CodeTalker, SelfTalk, FaceFormer) 과 기존 이중 화자 상호작용 모델 (DualTalk, L2L) 을 포함한 최첨단 베이스라인과 비교 평가되었습니다.

• 정량적 성능: 제안된 방법은 사실성을 위한 프레이체트 거리 (FD), 상호작용 일관성을 위한 페어드 FD(P-FD), 그리고 표정, 회전, 병진 정확도를 위한 평균 제곱 오차 (MSE) 를 포함한 거의 모든 지표에서 최고의 성능을 달성했습니다. 특히, 시선 접촉과 청자 움직임 지표에서 베이스라인을 현저히 능가했습니다.
• 인간 평가: 19 명의 참가자가 참여한 강제 선택 사용자 연구에서 전체 모델은 모든 카테고리 (입술 품질, 화자/청자 움직임, 상호작용 품질, 시선 접촉) 에서 약 70-79% 의 선호도로 최선으로 선택되었으며, 최상위 베이스라인 (DualTalk) 을 현저히 능가했습니다.
• 절대 실험 (Ablation Studies): 실험 결과, 모든 구성 요소 (예: 두 번째 학습 단계, 크로스 어텐션, 또는 시선 손실) 를 제거하면 성능이 저하됨이 확인되어 전체 파이프라인의 필요성이 입증되었습니다.
• 일반화: 모델은 보지 못한 신원을 포함한 분포 외 (OOD) 데이터셋에서 우수한 일반화 능력을 보여주어, 전문화된 베이스라인들을 능가했습니다.

중요성과 주장

본 논문은 단일 오디오 스트림으로부터 두 명의 상호작용 참가자 간의 동적인 3D 공간적 관계 (상대적 위치, 방향, 상호 시선 포함) 를 명시적으로 모델링한 첫 번째 연구임을 주장합니다. 격리된 말하는 머리에 대한 '화상 회의' 패러다임을 넘어선 본 시스템은 유동적이고 제어 가능하며 공간 인식을 갖춘 이인 애니메이션을 생성합니다. 저자들은 이 작업을 가상 현실 (VR) 및 텔레프레즌스에서의 진정한 몰입형 사회적 상호작용을 향한 기초적인 단계로 위치시키며, 여기서 얼굴 대 얼굴 대화의 유기적인 흐름과 비언어적 단서는 신뢰성에 필수적이라고 강조합니다. 이 작업은 현실적인 대면 대화가 정확한 입술 동기화뿐만 아니라, 참가자들이 물리적으로 의미 있는 방식으로 서로에게 반응하는 공유된 3D 공간의 합성을 필요로 함을 강조합니다.