近日，ICCV 2025（國際計算機(jī)視覺大會）公布論文錄用結(jié)果，理想汽車共有 8 篇論文入選，其中 3 篇來自基座模型團(tuán)隊。

其中，基座模型團(tuán)隊與高校團(tuán)隊合作的研究《DH-FaceVid-1K: A Large-Scale High-Quality Dataset for Face Video Generation》，提出業(yè)界首個大規(guī)模高質(zhì)量人臉視頻數(shù)據(jù)集 DH-FaceVid-1K。

作為全球首個以亞洲人臉為主的超大規(guī)模高質(zhì)量人臉視頻數(shù)據(jù)集，DH-FaceVid-1K 數(shù)據(jù)集包含高達(dá) 1200 小時視頻內(nèi)容，涵蓋 27 萬個視頻片段，其中亞洲面孔占比達(dá) 83%。這一數(shù)據(jù)集成功解決了當(dāng)前 AI 人像生成領(lǐng)域長期存在的“亞洲面孔稀缺”難題。

這篇論文是如何構(gòu)建這一數(shù)據(jù)集并解決亞洲面孔稀缺問題的呢？讓我們通過這篇文章來深入探究其核心方法與貢獻(xiàn)。

• 論文地址：https://arxiv.org/abs/2410.07151

• 項目主頁：https://luna-ai-lab.github.io/DH-FaceVid-1K/

• GitHub鏈接：https://github.com/luna-ai-lab/DH-FaceVid-1K

研究背景：打破數(shù)據(jù)壁壘，從“稀缺”到“豐富”

你有沒有發(fā)現(xiàn)一個奇怪的現(xiàn)象？當(dāng)你使用開源 AI 生成人像視頻時，生成的歐美面孔往往栩栩如生，而亞洲面孔卻總是顯得不夠自然——要么五官比例失調(diào)，要么表情僵硬，甚至連基本的亞洲人特征都難以準(zhǔn)確呈現(xiàn)。

這并非 AI 技術(shù)本身“歧視”亞洲人，而是一個更深層的問題在作祟：用于 AI 訓(xùn)練的人臉視頻數(shù)據(jù)集中，亞洲面孔嚴(yán)重缺失。

什么是人臉視頻數(shù)據(jù)集？

在深入了解 DH-FaceVid-1K（Digital Human-FaceVideo-1K，1K 含義為時長在1K 小時以上）之前，我們需要先理解什么是人臉視頻數(shù)據(jù)集。

簡單來說，人臉視頻數(shù)據(jù)集就是AI學(xué)習(xí)“認(rèn)人”和“生成人臉”的教材。就像我們學(xué)習(xí)繪畫需要大量觀察真實的人臉一樣，AI 也需要通過學(xué)習(xí)海量的人臉視頻來理解人臉的結(jié)構(gòu)、表情變化、說話時的口型變化等細(xì)節(jié)。

這些數(shù)據(jù)集通常包含：

• 視頻片段：記錄人物說話、微笑、轉(zhuǎn)頭等自然動作

• 音頻信息：與視頻同步的語音內(nèi)容

• 標(biāo)注信息：標(biāo)記人物的年齡、性別、表情、動作等屬性

數(shù)據(jù)集的質(zhì)量和多樣性直接決定了 AI 的“認(rèn)知能力”。如果訓(xùn)練數(shù)據(jù)偏向某一類人群，AI生成的結(jié)果也會出現(xiàn)相應(yīng)的偏差。

現(xiàn)狀：AI 的“偏見”源于數(shù)據(jù)失衡

目前，全球主流的開源人臉數(shù)據(jù)集面臨著三大瓶頸：規(guī)模有限、質(zhì)量與數(shù)量失衡、以及亞洲人臉數(shù)據(jù)嚴(yán)重不足，這極大制約了生成效果的公平性與實用性。讓我們看看現(xiàn)有主流數(shù)據(jù)集的情況：

1. CelebV-HQ

• 總時長：僅 68 小時；

• 分辨率：512×512；

• 問題：數(shù)據(jù)量太小，難以支撐基座模型訓(xùn)練。

2. VoxCeleb2

• 總時長：2442 小時；

• 分辨率：僅 224p；

• 問題：畫質(zhì)太差，生成的人臉缺乏細(xì)節(jié)。

3. CelebV-Text

• 亞洲人占比：不足 30%；

• 問題：族群分布嚴(yán)重失衡。

數(shù)據(jù)集的族群數(shù)據(jù)失衡帶來的后果是顯而易見的。當(dāng)一個AI模型用 90% 的歐美面孔和 10% 的亞洲面孔訓(xùn)練時，它對亞洲面孔的理解自然是“一知半解”。這就像一個只在西餐廳實習(xí)的廚師，你讓他做中餐，結(jié)果可想而知。

另一方面，這些公開的數(shù)據(jù)集，包括 CelebV-Text 在內(nèi)，其通常包含了下圖中列舉的多種噪音，如隨機(jī)出現(xiàn)在畫面中的人手等：

公開數(shù)據(jù)集中的多種噪音

以音頻驅(qū)動的人臉生成任務(wù)為例，上述的存在于數(shù)據(jù)集中的噪音會一致地出現(xiàn)在模型的生成結(jié)果中，影響生成效果與質(zhì)量。

突破：1200 小時亞洲面孔“教科書”

DH-FaceVid-1K 的出現(xiàn)，徹底改變了這一局面。研究團(tuán)隊用數(shù)據(jù)說話：

規(guī)模之最

• 1200 小時視頻內(nèi)容，相當(dāng)于連續(xù)觀看 50 天

• 27 萬個視頻片段，每個都經(jīng)過精心篩選

• 2 萬個不同身份，涵蓋各年齡層、各種職業(yè)

質(zhì)量保證

• 46.5% 的視頻達(dá)到 1080×1080 高清標(biāo)準(zhǔn)

• 最低分辨率也保證在 512×512 以上

• 所有視頻都包含清晰的語音內(nèi)容

族群平衡

• 83% 亞洲面孔，真正的“亞洲面孔大全”

• 同時包含 11% 白人、4% 非洲人等，保持適度多樣性

• 性別分布均衡：男性 55%，女性 45%

和主流數(shù)據(jù)集對比，DH-FaceVid-1K 無疑在各方面實現(xiàn)了壓倒性超越。

表1：主流數(shù)據(jù)集與 DH-FaceVid-1K 信息對比

圖1 主流數(shù)據(jù)集與 DH-FaceVid-1K 的視頻分辨率及時長對比

這些數(shù)字背后，是對“讓 AI 公平認(rèn)識世界上每一張面孔”這一理念的堅持。

技術(shù)實現(xiàn)：不只是“大”，更要“精”

傳統(tǒng)數(shù)據(jù)集制作的困境

人臉視頻數(shù)據(jù)對 AI 的訓(xùn)練至關(guān)重要，但要獲取高質(zhì)量的數(shù)據(jù)集卻充滿挑戰(zhàn)。傳統(tǒng)方法通常面臨諸多挑戰(zhàn)：

數(shù)據(jù)收集難題：之前的人臉視頻數(shù)據(jù)集，比如 CCv2，VoxCeleb2 等，其數(shù)據(jù)來源可以分成兩種，即雇傭?qū)I(yè)演員在攝影棚或綠幕錄制與在網(wǎng)絡(luò)爬取，其中前者的問題有：

• 錄制環(huán)境與實際模型推理環(huán)境差異較大，如綠幕的背景單一，影響模型的泛化性能。

• 數(shù)據(jù)來源單一，通常是數(shù)名到數(shù)百名演員協(xié)作錄制，同時也難以保證數(shù)據(jù)集的總時長。

• 演員錄制的視頻自然程度通常低于來自網(wǎng)絡(luò)或數(shù)據(jù)眾包平臺的數(shù)據(jù)，通俗點講，就是“演出來的終究沒有發(fā)生的自然”。

而在網(wǎng)絡(luò)爬取的數(shù)據(jù)集突出的問題有：

• 版權(quán)與隱私風(fēng)險高：直接從網(wǎng)絡(luò)抓取視頻存在顯著的版權(quán)侵權(quán)風(fēng)險，且難以保證個人隱私得到充分保護(hù)。

• 原始質(zhì)量參差不齊：網(wǎng)絡(luò)視頻來源復(fù)雜，分辨率和清晰度差異巨大，混雜著大量不符合要求的內(nèi)容。

目前幾乎所有的公開人臉視頻數(shù)據(jù)集都面臨上述問題，難以同時保證數(shù)據(jù)安全性、多樣性、質(zhì)量與總時長。

數(shù)據(jù)處理方面：以 prompt 提取為例，目前公開數(shù)據(jù)集也大致可以分成手工處理和全自動化處理兩種，二者共同面臨下面的問題：

• 人工依賴重、成本高：篩選清洗海量視頻極度依賴人力，消耗巨大。

• 缺乏統(tǒng)一篩選標(biāo)準(zhǔn)：缺乏系統(tǒng)化的評估框架，導(dǎo)致數(shù)據(jù)篩選標(biāo)準(zhǔn)主觀隨意，影響數(shù)據(jù)集質(zhì)量的一致性。

• 效率極其低下：傳統(tǒng)手工作業(yè)模式下，清洗 1 小時的原始視頻內(nèi)容，甚至可能需要消耗 10 小時人工，成為規(guī)?；a(chǎn)的巨大障礙。

• 自動化處理則缺乏人工監(jiān)管的介入，導(dǎo)致提取出的 prompt 信息等數(shù)據(jù)失真。

三階段嚴(yán)格篩選流程

為突破以上困境，我們設(shè)計并實施了行業(yè)內(nèi)極其嚴(yán)格的三階段數(shù)據(jù)處理流程，核心目標(biāo)就是在確保數(shù)據(jù)安全合規(guī)的前提下，精準(zhǔn)提取高質(zhì)量內(nèi)容。

圖2 數(shù)據(jù)處理流程示意圖

階段一：高質(zhì)數(shù)據(jù)采集與安全初篩

• 從合規(guī)數(shù)據(jù)眾包平臺收集 2000+ 小時 1080p 原始視頻，確保了原始數(shù)據(jù)的質(zhì)量。

• 內(nèi)容以單人采訪節(jié)目和 Vlog 為主，確保收集的數(shù)據(jù)符合當(dāng)前主流人臉生成模型的應(yīng)用場景。

• 人臉區(qū)域檢測裁剪，強(qiáng)制年齡過濾（剔除<22歲個體），保證了數(shù)據(jù)的安全性。

• 確保人臉區(qū)域 ≥256×256 像素，保證人臉區(qū)域的清晰度。

階段二：多維度噪聲過濾與質(zhì)量增強(qiáng)

• 自動化過濾：OCR 字幕檢測、黑邊識別、多臉剔除，主動過濾掉開源人臉視頻數(shù)據(jù)集中存在的諸多問題。

• 人工精篩：百人團(tuán)隊歷時半年交叉審核。

• 模糊修復(fù)：對殘留模糊樣本采用 CodeFormer 超分辨率增強(qiáng)。

階段三：多模態(tài)標(biāo)注與音頻對齊

• 視覺標(biāo)注：DWPose 提取面部關(guān)鍵點，PLLaVA 自動生成初步屬性標(biāo)簽，并由人工檢查、篩選自動生成的標(biāo)簽以確保其質(zhì)量和保真度。

• 音頻對齊：基于重訓(xùn)的 SyncNet 模型計算唇語同步分?jǐn)?shù)，確保說話音頻與嘴唇的對齊程度。

• 安全合規(guī)：全程匿名化處理，禁止深度偽造濫用。

與傳統(tǒng)數(shù)據(jù)集的處理流程比，DH-FaceVid-1K 的分階段、分層次、半自動數(shù)據(jù)預(yù)處理流程的優(yōu)勢在于：

1.從源頭上解決了合規(guī)性與自然度的雙重難題。我們摒棄了網(wǎng)絡(luò)爬取的版權(quán)風(fēng)險與演員錄制的場景失真，通過合規(guī)眾包平臺定向采集Vlog、采訪等真實世界內(nèi)容，確保數(shù)據(jù)來源合法、場景真實，其表情與姿態(tài)的自然度遠(yuǎn)非“扮演”可比。

2.建立了系統(tǒng)化、可量化的質(zhì)量標(biāo)尺，告別主觀篩選。我們摒棄了傳統(tǒng)手工作業(yè)的隨意性，通過人臉尺寸、唇語同步分?jǐn)?shù)等硬性指標(biāo)進(jìn)行自動化過濾，再結(jié)合多輪人工交叉審核，形成了一套標(biāo)準(zhǔn)統(tǒng)一、可復(fù)現(xiàn)的質(zhì)量評估框架，從根本上保證了數(shù)據(jù)集的“精”。

3.實現(xiàn)了“機(jī)器跑量、人工把關(guān)”的人機(jī)協(xié)同模式，兼顧效率與精度。我們利用自動化技術(shù)處理海量的重復(fù)性篩選與初步標(biāo)注工作，再將人力投入到最關(guān)鍵的審核與精校環(huán)節(jié)。這種模式既打破了傳統(tǒng)手工作業(yè)的效率瓶頸，又通過人工監(jiān)督避免了“全自動”流程帶來的數(shù)據(jù)失真。

4.交付了即用型（Ready-to-use）的多模態(tài)數(shù)據(jù)，極大降低下游應(yīng)用門檻。我們不止提供清洗后的視頻，更交付了一套包含動態(tài)面部關(guān)鍵點、視覺屬性、音視頻同步分?jǐn)?shù)等在內(nèi)的結(jié)構(gòu)化標(biāo)簽。開發(fā)者無需再進(jìn)行繁瑣的數(shù)據(jù)預(yù)處理，可直接將數(shù)據(jù)用于模型訓(xùn)練，真正做到“開箱即用”。

數(shù)據(jù)多樣性的全面覆蓋

為了構(gòu)建真正具有實際應(yīng)用價值的人臉視頻數(shù)據(jù)集，研究團(tuán)隊不僅在“量”上達(dá)標(biāo)，更在“質(zhì)”與“多樣性”上下足功夫，力求全面覆蓋真實世界中的人臉特性與行為模式：

• 年齡分布：從青年到老年四個階段全覆蓋，真實反映現(xiàn)實社會的年齡結(jié)構(gòu)。

• 性別平衡：男性 55%，女性 45%，最大程度避免了性別偏見。

• 表情完整：以中性表情為主，同時包含了快樂、憤怒等多種豐富的自然情緒狀態(tài)，更貼近實際應(yīng)用場景。

• 動作多樣：涵蓋說話、微笑、頭部運(yùn)動等自然行為，增強(qiáng)了數(shù)據(jù)集的活力和應(yīng)用潛力。

• 外觀特征：30 類特征呈現(xiàn)自然的長尾分布，尤其強(qiáng)化亞洲相關(guān)屬性。

圖3 數(shù)據(jù)集統(tǒng)計指標(biāo)

應(yīng)用效果：AI 生成質(zhì)量的飛躍

理解關(guān)鍵評估指標(biāo)

在展示效果之前，我們需要理解幾個關(guān)鍵的評估指標(biāo)，它們就像是 AI 生成質(zhì)量的“體檢報告”：

FID (Fréchet Inception Distance)

• 含義：衡量生成圖像與真實圖像的相似度；

• 原理：計算兩組圖像在特征空間中的距離；

• 解讀：分?jǐn)?shù)越低越好，低于50可認(rèn)為質(zhì)量優(yōu)秀；

• 類比：就像比較仿制品與正品的相似度。

FVD (Fréchet Video Distance)

• 含義：FID在視頻領(lǐng)域的擴(kuò)展，評估視頻質(zhì)量；

• 特點：不僅看單幀質(zhì)量，還考慮時間連貫性；

• 解讀：分?jǐn)?shù)越低，視頻越自然流暢；

• 類比：檢查動畫是否流暢，有無跳幀或閃爍。

CLIPScore

• 含義：評估生成內(nèi)容與文本描述的匹配度；

• 原理：使用 CLIP 模型計算圖文相似性；

• 解讀：分?jǐn)?shù)越高，說明AI越“聽話”；

• 類比：測試 AI 是否真正理解了你的需求。

量化指標(biāo)全面提升

使用 DH-FaceVid-1K 訓(xùn)練的模型，在關(guān)鍵指標(biāo)上均有顯著提升：

• FID（單幀質(zhì)量）：提升 15-20% 的生成的人臉更加真實細(xì)膩。

• FVD（視頻質(zhì)量）：提升 20-30% 的動作更自然，沒有詭異的抖動。

• CLIPScore（指令理解）：提升 10-15%，更準(zhǔn)確地生成用戶想要的效果。

表2 T2V（Text-to-Video）模型性能對比

表3 I2V（Image-to-Video）模型性能對比

在生成“年輕亞洲女性說話”的任務(wù)中，使用新數(shù)據(jù)集訓(xùn)練的模型生成的人臉更加自然、細(xì)節(jié)更加豐富，徹底告別了以往的“AI 臉”痕跡。

圖4 T2V（Text-to-Video）模型生成畫面對比

圖5 I2V（Image-to-Video）模型生成畫面對比

意義深遠(yuǎn)：推動 AI 公平性發(fā)展

技術(shù)民主化

DH-FaceVid-1K 的開源發(fā)布，不僅是技術(shù)突破，更是推動 AI 公平性和包容性發(fā)展的重要里程碑。此次發(fā)布意味著：

• 全球研究者都能獲得高質(zhì)量的亞洲人臉訓(xùn)練數(shù)據(jù)。

• 中小團(tuán)隊也能開發(fā)出優(yōu)秀的亞洲人臉生成模型。

• 推動 AI 技術(shù)更加包容和公平。

應(yīng)用場景廣闊

DH-FaceVid-1K 的開源發(fā)布，將為全球研究者提供更公平、更全面的訓(xùn)練資源，推動人像生成技術(shù)在虛擬人、遠(yuǎn)程會議、內(nèi)容創(chuàng)作等領(lǐng)域的廣泛應(yīng)用，除此之外，這一突破將也會在以下多個領(lǐng)域產(chǎn)生深遠(yuǎn)影響：

• 虛擬人產(chǎn)業(yè)：更真實的亞洲虛擬主播和數(shù)字人，提升用戶的文化認(rèn)同感。

• 內(nèi)容創(chuàng)作：為亞洲影視內(nèi)容提供更好的AI工具，降低內(nèi)容制作成本。

• 教育培訓(xùn)：開發(fā)貼近亞洲用戶的虛擬教師，提升在線教育的親和力。

• 游戲娛樂：創(chuàng)造更真實的亞洲游戲角色，增強(qiáng)游戲的沉浸感。

結(jié)語

DH-FaceVid-1K 的發(fā)布，不僅是一個技術(shù)里程碑，更是推動 AI 向著更加公平、包容方向發(fā)展的重要一步。當(dāng) AI 真正“認(rèn)識”了全世界的面孔，它才能更好地為全人類服務(wù)。（ 投稿或?qū)で髨蟮溃簔hanghy@csdn.net ）

2025 全球產(chǎn)品經(jīng)理大會

8 月 15–16 日

北京·威斯汀酒店

互聯(lián)網(wǎng)大廠、AI 創(chuàng)業(yè)公司、ToB/ToC 實戰(zhàn)一線的產(chǎn)品人

12 大專題分享，洞察趨勢、拆解路徑、對話未來。