# \#liveportrait **URL:** https://discuss.pytorch.kr/tag/liveportrait/3395.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [LivePortrait: 효율적인 초상화 애니메이션 생성 (feat. Stiching & Retargeting Control)](https://discuss.pytorch.kr/t/liveportrait-feat-stiching-retargeting-control/4782)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 10, 2024, 1:27오전 UTC](https://discuss.pytorch.kr/t/liveportrait-feat-stiching-retargeting-control/4782 "2024-07-10T01:27:56Z")
LivePortrait 소개 LivePortrait는 초상화 애니메이션을 효율적으로 구현하는 방법을 제안하는 프로젝트입니다. 기존의 방법들보다 더 적은 자원으로 더 높은 품질의 애니메이션을 생성할 수 있도록 설계되었습니다. 이 프로젝트는 PyTorch를 사용하여 구현되었으며, 연구팀은 지속적으로 업데이트를 진행하고 있습니다. 특히, 인물의 표정과 동작을 자연스럽게 표현하기 위해 스티칭과 리타겟팅 기술을 활용합니다. LivePortrait는 기존의 FOMM(First Order Motion Model)과 Open Facevid2vid와 같은 프로젝트와 비교할 때, 다음과 같은 장점을 제공합니다: 효율성: 모델의 크기와 파라미터 수가 줄어들어 더 빠른 추론 속도를 자랑합니다. 자연스러움: 스티칭과 리타겟팅 기술을 통해 인물의 표정과 동작을 더욱 자연스럽게 표현합니다. 유연성: 다양한 입력 소스와 동작 비디오를 지원하여, 사용자가 원하는 대로 애니메이션을 생성할 수 있습니다. LivePortrait의 학습 단계 및 주요 특징 학습 1단계 - 기본 모델 학습: 외형 및 동작 추출기, 워핑 모듈, 디코더를 학습합니다. 자세한 내용은 논문을 참고해주세요. 학습 2단계 - 스티칭(Stiching) 및 리타겟팅(Retargeting) 모듈 학습: 1단계에서 학습 완료된 모듈들을 고정한 뒤, 스티칭 모듈과 리타게팅 모듈만 최적화합니다. 자세한 내용은 논문을 참고해주세요. 스티칭 및 리타겟팅: 인물의 표정과 동작을 자연스럽게 연결하여, 보다 현실적인 애니메이션을 구현합니다. 효율적인 모델 구조: 각 모듈이 최적화되어 있어, 빠른 추론 속도를 제공합니다. 다양한 입력 지원: 사진과 비디오를 입력으로 사용하여, 다양한 애니메이션을 생성할 수 있습니다. 추론 속도 평가 RTX 4090 GPU에서 한 프레임을 추론하는 시간은 다음과 같습니다: 모델 파라미터(M) 모델 크기(MB) 추론 시간(ms) App…