视频越往后，口型效果越差

[weizmann]

发现刚开始几秒的口型效果很好，视频越往后，效果越差

[weizmann]

怀疑是不是视频往后和第一帧ref的差异变大了，效果变差？

[Zz-ww]

怀疑是不是视频往后和第一帧ref的差异变大了，效果变差？
谢谢提出问题，已更新代码。

[weizmann]

更新了代码，但是效果仍不佳，求帮忙看下？

感觉result-2的嘴型更大了，但是和音频还是对不上，倒是和raw.mp4很接近

原视频（视频带音频，声音用的是ffmpeg -i raw.mp4 raw.wav得到）

raw.mp4

更新代码前效果 （result-1.mp4）

result-1.mp4

更新代码后效果 （result-2.mp4）

result-2.mp4

剪映做的对比效果（compare.mp4）
https://drive.google.com/file/d/1JpC_2za5b0DYHuaxL2d275xsigYLHZCJ/view?usp=sharing

[weizmann]

想问下这个后续会有更新么？

[Zz-ww]

想问下这个后续会有更新么？

原因我已经查到了，项目代码bug，视频是根据第一帧的嘴型进行合成，所以后续帧嘴巴张的大，合成的也会很大。我改了一版但是会面部抖动和对齐的问题，还没解决，所以就没更新。

temp_issue3.issue3.mp4

[weizmann]

嗯，我也发现用第一帧作为参考，会导致效果不稳定。

不稳定是指：发现如果视频第一帧是闭嘴，效果会好一些，如果视频人脸第一帧是张嘴，效果会比较差。
也就是说，哪怕是同一段视频，不同的剪辑方法也会导致嘴型效果不同。

不知道能否引入类似video-retalking的stablized的方法来做好归一化？

这个对于图片人（sadtalker）来说没问题，但是对于视频驱动来说，可能效果不太好。
作为对照组的wav2lip这种方案，应该没有这种问题

[bobo-wmdigit]

感觉wav2lip本身产生的唇形就不稳定，插帧+修复感觉无法解决长视频问题

[weizmann]

感觉wav2lip本身产生的唇形就不稳定，插帧+修复感觉无法解决长视频问题

不好意思，没太懂你的这个回复和本issue的关联性？是否能详细说下

wav2lip是久经考验的lip sync SOTA战士

想问下您说的长视频问题是什么？为什么插帧+修复无法解决？

[bobo-wmdigit]

最近一直在看这个项目，看到议题，有感而发
1、一个是运行效率，感觉速度有点太慢了，冗余计算比较多
2、wav2lip的下半张脸是糊的，几乎必须靠面部修复来拉
3、插帧会减少唇形的同步效率
总之没想到一个比较好的方案来高效的解决

[Zz-ww]

这个项目的问题我后续改过一版，但是会产生新的问题，我因为工作的原因，还没办法抽时间去解决。如果你们有好的方法，可以集成进去。

[weizmann]

这个项目的问题我后续改过一版，但是会产生新的问题，我因为工作的原因，还没办法抽时间去解决。如果你们有好的方法，可以集成进去。

好的，感谢您对这个issue的持续关注

或许您可以把优化的思路po下，或者代码branch出来下？

[Zz-ww]

这个项目的问题我后续改过一版，但是会产生新的问题，我因为工作的原因，还没办法抽时间去解决。如果你们有好的方法，可以集成进去。

好的，感谢您对这个issue的持续关注

或许您可以把优化的思路po下，或者代码branch出来下？

提交了一个分支beta

[weizmann]

想问下这个后续会有更新么？

原因我已经查到了，项目代码bug，视频是根据第一帧的嘴型进行合成，所以后续帧嘴巴张的大，合成的也会很大。我改了一版但是会面部抖动和对齐的问题，还没解决，所以就没更新。

temp_issue3.issue3.mp4

我有一种猜想（针对beta branch的视觉抖动问题，不是口型问题），在这里提出来可以讨论下：

猜想是：在ExpNet中，如果将beta0从第一帧的固定值，更改为每一帧的表情系数，有可能会天然引入面部细节的抖动。

可以观察到的事实/实验是：

1. 早先master branch的结果并不抖动（因为送给ExpNet的beta0是固定的），但是beta branch的结果在抖动

2. 如果将第一帧图片做成一个静态视频，用音频来驱动，使用beta分支来跑结果，则可以发现每一帧脸部都会有细小的动作

如果在ExpNet中输入的beta0是随每一帧变化的话，细小动作会不连贯的持续变化（类似于布朗运动），也就是会产生视觉上的抖动

另外，我还做了对landmark的均值平滑实验，但是还是会出现抖动。这个实验应该可以排除landmark引入抖动的可能性

可能需要额外的网络训练来适配这个问题

[weizmann]

想问下这个后续会有更新么？

原因我已经查到了，项目代码bug，视频是根据第一帧的嘴型进行合成，所以后续帧嘴巴张的大，合成的也会很大。我改了一版但是会面部抖动和对齐的问题，还没解决，所以就没更新。
temp_issue3.issue3.mp4

我有一种猜想（针对beta branch的视觉抖动问题，不是口型问题），在这里提出来可以讨论下：

猜想是：在ExpNet中，如果将beta0从第一帧的固定值，更改为每一帧的表情系数，有可能会天然引入面部细节的抖动。

可以观察到的事实/实验是：

1. 早先master branch的结果并不抖动（因为送给ExpNet的beta0是固定的），但是beta branch的结果在抖动
2. 如果将第一帧图片做成一个静态视频，用音频来驱动，使用beta分支来跑结果，则可以发现每一帧脸部都会有细小的动作

如果在ExpNet中输入的beta0是随每一帧变化的话，细小动作会不连贯的持续变化（类似于布朗运动），也就是会产生视觉上的抖动

另外，我还做了对landmark的均值平滑实验，但是还是会出现抖动。这个实验应该可以排除landmark引入抖动的可能性

可能需要额外的网络训练来适配这个问题

抖动问题的优化，可以参见这个pr