窩電子相冊制作軟件怎么制作視頻？很多時候，我們在用ppt展示自己的工作或?qū)W習(xí)時，都會要插入圖片或視頻。我們可以利用powerpoint制作一個精美的PPT相冊，打開PPT空白文檔，通過“插入”→“相冊”，把需要制作視頻相冊的照片全部導(dǎo)入PPT中。然后再用貍窩PPT轉(zhuǎn)換器轉(zhuǎn)換成電子相冊。下面，一起來看看貍窩電子相冊制作軟件怎么制作視頻。

• 軟件版本：
• 軟件大小：
• 軟件授權(quán)：
• 適用平臺：
• http://dl.pconline.com.cn/download/90206.html

照片導(dǎo)入PPT空白文檔之后，由于照片尺寸的不同，所以有的PPT頁面會出現(xiàn)大片的空白，影響美觀。此時我們需要為PPT相冊選擇一個漂亮的背景圖片，可以是靜態(tài)或者動態(tài)的都行。單擊幻燈片頁面空白處，然后選擇背景格式設(shè)置，把背景圖片插入PPT相冊中。

接下來就需要美化照片，單擊選中照片，然后拖動照片四周的點(diǎn)可縮放或旋轉(zhuǎn)照片，使得照片在幻燈片頁面顯得平衡美觀，然后還可以選擇“圖片工具”為照片添加上邊框或特效等。

現(xiàn)在我們來設(shè)置照片的動畫特效：小編做的這個PPT相冊是每一張照片就是一張幻燈片，你也可以做成多張照片為一張幻燈片。我們利用“切換”特效來設(shè)置動畫效果，依次選中每一個幻燈片，然后在“切換”中選擇一種滿意的“切換方案”即可，非常簡單！

動畫效果設(shè)置完成之后，就可以保存PPT相冊了，但此時的PPT相冊還稱不上視頻相冊，因?yàn)樗€只是PPT文檔格式的，接下來我們需要利用貍窩照片制作視頻軟件(又名貍窩PPT轉(zhuǎn)換器)把PPT相冊轉(zhuǎn)換為視頻相冊。

打開貍窩照片制作視頻軟件，通過“添加(A)”按鈕，把我們剛剛保存的PPT相冊導(dǎo)入軟件。

通過主界面“自定義”設(shè)置按鈕，為視頻相冊配上一段動聽的音樂，要不圖片寂靜無聲的展示，多少失了色彩，可以選擇MP3格式的音頻或MP4格式的視頻作為背景音樂都可以。

背景音樂添加完成之后，點(diǎn)擊確定按鈕回到軟件主界面，此時點(diǎn)擊預(yù)置方案進(jìn)行設(shè)置視頻相冊的視頻格式，可以直接根據(jù)播放設(shè)備選擇格式，或者選擇高清視頻格式等。

現(xiàn)在可以在軟件主界面上點(diǎn)擊“start”按鈕，然后開始轉(zhuǎn)換PPT相冊為視頻相冊，在轉(zhuǎn)換的過程中我們可以上上網(wǎng)做點(diǎn)別的事情，等待視頻相冊的出爐。

當(dāng)貍窩PPT轉(zhuǎn)換器提示轉(zhuǎn)換成功，就可以看到視頻相冊的輸出目錄，我們的視頻相冊就百分百制作成功了，趕快點(diǎn)擊播放視頻觀看視頻相冊的效果吧！當(dāng)然，在以上效果的制作中，你們可以不用完全跟著小編的方法制作，利用Powerpoint還可以制作出很多非常棒的動畫效果，趕緊來動手嘗試吧！

Escripts Transformer 2 for Mac是AEscripts系列中蠻受歡迎的一款三維卷軸扭曲變形照片墻AE腳本，ae腳本transformer支持安裝在After Effect 2020、CC 2019、CC 2018、CC 2017、CC 2015等版本中使用，這次全新版本的ransformer腳本中還包含扭曲變形展開照片墻預(yù)設(shè)，多種不同的扭曲變形效果供你選擇，還在找AE視頻墻扭曲變形插件的朋友趕緊試試transformer吧！

Transformer 2 for Mac腳本介紹

AEscripts Transformer 2 for Mac是功能強(qiáng)大的素材轉(zhuǎn)換和After Effects動畫工具，可以將圖層扭曲變形，制作多畫面視頻墻效果，包含5種預(yù)設(shè)(卷軸，環(huán)形，扭曲等)，而且還可以根據(jù)自己繪制的路徑做扭曲，將大量圖片視頻制作成完全視頻墻效果，真正的模擬***圖層扭曲效果。

AE視頻墻扭曲變形插件transformer功能特點(diǎn)

- 保存并加載多個轉(zhuǎn)換屬性

- 調(diào)整多個圖層的大小

- 計算蒙版路徑長度

- 偏移位置為網(wǎng)格或沿路徑

- 隨機(jī)位置

- 按行旋轉(zhuǎn)

- 高級音序器

- 沿路徑的彎曲和動畫片段

- 素材復(fù)制器

- 畫面分離器/切割器

- 制作全景或視頻墻

- 從多個圖層中選擇關(guān)鍵幀

- 動畫路徑

- 預(yù)設(shè)瀏覽器

- 使用新的Transformer Pack進(jìn)行擴(kuò)展！

活躍

您可以使用蒙版將圖像切割成任何形狀的碎片

使用蒙版路徑或變換屬性創(chuàng)建屏幕墻

使用蒙版彎曲圖像

日，當(dāng)下炙手可熱的快手宣布開源旗下明星產(chǎn)品可靈中一項(xiàng)重要技術(shù)項(xiàng)目LivePortrait。，該框架能夠準(zhǔn)確、實(shí)時地將驅(qū)動視頻的表情、姿態(tài)遷移到靜態(tài)或動態(tài)人像視頻上，生成極具表現(xiàn)力的視頻結(jié)果。如下動圖所示：

LivePortrait的主要功能包括從單一圖像生成生動動畫、精確控制眼睛和嘴唇的動作、處理多個人物肖像的無縫拼接、支持多風(fēng)格肖像、生成高分辨率動畫等。這些功能不僅讓LivePortrait在動畫生成上更加靈活多變，也為用戶提供了更多的創(chuàng)意空間。

并且，LivePortrait發(fā)布即可用，秉承快手風(fēng)格，論文、主頁、代碼一鍵三連。LivePortrait一經(jīng)開源，就得到了HuggingFace首席執(zhí)行官Clément Delangue的關(guān)注轉(zhuǎn)發(fā)，首席戰(zhàn)略官 Thomas Wolf還親自體驗(yàn)了功能，厲害了！

同時，LivePotrait獲得了開源社區(qū)的廣泛關(guān)注，短短一周多時間左右，在GitHub上總計收獲了6.4K Stars，550 Forks，140 Issues&PRs，獲得廣泛好評，關(guān)注仍在持續(xù)增長中：

方法介紹

和當(dāng)前主流基于擴(kuò)散模型的方法不同，LivePortrait探索并拓展了基于隱式關(guān)鍵點(diǎn)框架的潛力，從而平衡了模型計算效率和可控性。

LivePortrait聚焦于更好的泛化性，可控性和實(shí)用的效率。為了提升生成能力和可控性，LivePortrait采用69M高質(zhì)量訓(xùn)練幀，視頻-圖片混合訓(xùn)練策略，升級網(wǎng)絡(luò)結(jié)構(gòu)，并設(shè)計了更好的動作建模和優(yōu)化方式。

此外，LivePortrait將隱式關(guān)鍵點(diǎn)看成一種面部混合變形 (Blendshape) 的有效隱式表示，并基于此精心提出了貼合 (stitching) 和重定向 (retargeting) 模塊。這兩個模塊為輕量MLP網(wǎng)絡(luò)，因此在提升可控性的同時，計算成本可以忽略。即使是和一些已有的基于擴(kuò)散模型的方法比較，LivePortrait依舊很能打。

同時，在RTX4090 GPU上，LivePortrait的單幀生成速度能夠達(dá)到12.8ms，若經(jīng)過進(jìn)一步優(yōu)化，如TensorRT，預(yù)計能達(dá)10ms以內(nèi)！

LivePortrait的模型訓(xùn)練分為兩階段。第一階段為基礎(chǔ)模型訓(xùn)練，第二階段為貼合和重定向模塊訓(xùn)練。

第一階段：基礎(chǔ)模型訓(xùn)練

在第一階段模型訓(xùn)練中，LivePortrait對基于隱式點(diǎn)的框架，如Face Vid2vid[1]，做了一系列改進(jìn)，包括：

高質(zhì)量訓(xùn)練數(shù)據(jù)收集：LivePortrait采用了公開視頻數(shù)據(jù)集Voxceleb[2]，MEAD[3]，RAVDESS [4]和風(fēng)格化圖片數(shù)據(jù)集AAHQ[5]。此外，還使用了大規(guī)模4K分辨率的人像視頻，包含不同的表情和姿態(tài)，200余小時的說話人像視頻，一個私有的數(shù)據(jù)集LightStage[6]，以及一些風(fēng)格化的視頻和圖片。LivePortrait將長視頻分割成少于30秒的片段，并確保每個片段只包含一個人。為了保證訓(xùn)練數(shù)據(jù)的質(zhì)量，LivePortrait使用快手自研的KVQ[7]（快手自研的視頻質(zhì)量評估方法，能夠綜合感知視頻的質(zhì)量、內(nèi)容、場景、美學(xué)、編碼、音頻等特征，執(zhí)行多維度評價）來過濾低質(zhì)量的視頻片段。總訓(xùn)練數(shù)據(jù)有69M視頻，包含18.9K身份和60K靜態(tài)風(fēng)格化人像。

視頻-圖像混合訓(xùn)練：僅使用真人人像視頻訓(xùn)練的模型對于真人人像表現(xiàn)良好，但對風(fēng)格化人像（例如動漫）的泛化能力不足。風(fēng)格化的人像視頻是較為稀有的，LivePortrait從不到100個身份中收集了僅約1.3K視頻片段。相比之下，高質(zhì)量的風(fēng)格化人像圖片更為豐富，LivePortrait收集了大約60K身份互異的圖片，提供多樣身份信息。為了利用這兩種數(shù)據(jù)類型，LivePortrait將每張圖片視為一幀視頻片段，并同時在視頻和圖片上訓(xùn)練模型。這種混合訓(xùn)練提升了模型的泛化能力。

升級的網(wǎng)絡(luò)結(jié)構(gòu)：LivePortrait將規(guī)范隱式關(guān)鍵點(diǎn)估計網(wǎng)絡(luò) (L)，頭部姿態(tài)估計網(wǎng)絡(luò) (H) 和表情變形估計網(wǎng)絡(luò) (Δ) 統(tǒng)一為了一個單一模型 (M)，并采用ConvNeXt-V2-Tiny[8]為其結(jié)構(gòu)，從而直接估計輸入圖片的規(guī)范隱式關(guān)鍵點(diǎn)，頭部姿態(tài)和表情變形。此外，受到face vid2vid相關(guān)工作啟發(fā)，LivePortrait采用效果更優(yōu)的SPADE[9]的解碼器作為生成器 (G)。隱式特征 (fs) 在變形后被細(xì)致地輸入SPADE解碼器，其中隱式特征的每個通道作為語義圖來生成驅(qū)動后的圖片。為了提升效率，LivePortrait還插入PixelShuffle[10]層作為 (G) 的最后一層，從而將分辨率由256提升為512。

更靈活的動作變換建模：原始隱式關(guān)鍵點(diǎn)的計算建模方式忽視了縮放系數(shù)，導(dǎo)致該縮放容易被學(xué)到表情系數(shù)里，使得訓(xùn)練難度變大。為了解決這個問題，LivePortrait在建模中引入了縮放因子。LivePortrait發(fā)現(xiàn)縮放正則投影會導(dǎo)致過于靈活的可學(xué)習(xí)表情系數(shù)，造成跨身份驅(qū)動時的紋理粘連。因此LivePortrait采用的變換是一種靈活性和驅(qū)動性之間的折衷。

關(guān)鍵點(diǎn)引導(dǎo)的隱式關(guān)鍵點(diǎn)優(yōu)化：原始的隱式點(diǎn)框架似乎缺少生動驅(qū)動面部表情的能力，例如眨眼和眼球運(yùn)動。具體來說，驅(qū)動結(jié)果中人像的眼球方向和頭部朝向往往保持平行。LivePortrait將這些限制歸因于無監(jiān)督學(xué)習(xí)細(xì)微面部表情的困難。為了解決這個問題，LivePortrait引入了2D關(guān)鍵點(diǎn)來捕捉微表情，用關(guān)鍵點(diǎn)引導(dǎo)的損失 (Lguide)作為隱式關(guān)鍵點(diǎn)優(yōu)化的引導(dǎo)。

級聯(lián)損失函數(shù)：LivePortrait采用了face vid2vid的隱式關(guān)鍵點(diǎn)不變損失 (LE)，關(guān)鍵點(diǎn)先驗(yàn)損失 (LL)，頭部姿態(tài)損失 (LH) 和變形先驗(yàn)損失 (LΔ)。為了進(jìn)一步提升紋理質(zhì)量，LivePortrait采用了感知和GAN損失，不僅對輸入圖的全局領(lǐng)域，面部和嘴部的局部領(lǐng)域也施加了這些損失，記為級聯(lián)感知損失 (LP,cascade) 和級聯(lián)GAN損失 (LG,cascade) 。面部和嘴部區(qū)域由2D語義關(guān)鍵點(diǎn)定義。LivePortrait也采用了人臉身份損失 (Lfaceid) 來保留參考圖片的身份。

第一階段的所有模塊為從頭訓(xùn)練，總的訓(xùn)練優(yōu)化函數(shù) (Lbase) 為以上損失項(xiàng)的加權(quán)和。

第二階段：貼合和重定向模塊訓(xùn)練

LivePortrait將隱式關(guān)鍵點(diǎn)可以看成一種隱式混合變形，并發(fā)現(xiàn)這種組合只需借助一個輕量的MLP便可被較好地學(xué)習(xí)，計算消耗可忽略。

考慮到實(shí)際需求，LivePortrait設(shè)計了一個貼合模塊、眼部重定向模塊和嘴部重定向模塊。當(dāng)參考人像被裁切時，驅(qū)動后的人像會從裁圖空間被反貼回原始圖像空間，貼合模塊的加入是為了避免反貼過程中出現(xiàn)像素錯位，比如肩膀區(qū)域。

由此，LivePortrait能對更大的圖片尺寸或多人合照進(jìn)行動作驅(qū)動。眼部重定向模塊旨在解決跨身份驅(qū)動時眼睛閉合不完全的問題，尤其是當(dāng)眼睛小的人像驅(qū)動眼睛大的人像時。嘴部重定向模塊的設(shè)計思想類似于眼部重定向模塊，它通過將參考圖片的嘴部驅(qū)動為閉合狀態(tài)來規(guī)范輸入，從而更好地進(jìn)行驅(qū)動。

貼合模塊：在訓(xùn)練過程中，貼合模塊 (S) 的輸入為參考圖的隱式關(guān)鍵點(diǎn) (xs) 和另一身份驅(qū)動幀的隱式關(guān)鍵點(diǎn) (xd)，并估計驅(qū)動隱式關(guān)鍵點(diǎn) (xd) 的表情變化量 (Δst)。可以看到，和第一階段不同，LivePortrait采用跨身份的動作替代同身份的動作來增加訓(xùn)練難度，旨在使貼合模塊具有更好的泛化性。

接著，驅(qū)動隱式關(guān)鍵點(diǎn) (xd) 被更新，對應(yīng)的驅(qū)動輸出為 (Ip,st) 。LivePortrait在這一階段也同時輸出自重建圖片 (Ip,recon)。最后，貼合模塊的損失函數(shù)(Lst) 計算兩者肩膀區(qū)域的像素一致?lián)p失以及貼合變化量的正則損失。

眼部和嘴部重定向模塊：眼部重定向模塊 (Reyes) 的輸入為參考圖隱式關(guān)鍵點(diǎn) (xs)，參考圖眼部張開條件元組和一個隨機(jī)的驅(qū)動眼部張開系數(shù)，由此估計驅(qū)動關(guān)鍵點(diǎn)的變形變化量 (Δeyes)。

眼部張開條件元組表示眼部張開比例，越大表示眼部張開程度越大。類似的，嘴部重定向模塊 (Rlip) 的輸入為參考圖隱式關(guān)鍵點(diǎn) (xs)，參考圖嘴部張開條件系數(shù)和一個隨機(jī)的驅(qū)動嘴部張開系數(shù)，并由此估計驅(qū)動關(guān)鍵點(diǎn)的變化量 (Δlip)。

接著，驅(qū)動關(guān)鍵點(diǎn) (xd) 分別被眼部和嘴部對應(yīng)的變形變化量更新，對應(yīng)的驅(qū)動輸出為 (Ip,eyes) 和 (Ip,lip) 。

最后，眼部和嘴部重定向模塊的目標(biāo)函數(shù)分別為 (Leyes) 和 (Llip)，分別計算眼部和嘴部區(qū)域的像素一致性損失，眼部和嘴部變化量的正則損失，以及隨機(jī)驅(qū)動系數(shù)與驅(qū)動輸出的張開條件系數(shù)之間的損失。

眼部和嘴部的變化量 (Δeyes) 和 (Δlip) 是相互獨(dú)立的，因此在推理階段，它們可以被線性相加并更新驅(qū)動隱式關(guān)鍵點(diǎn)。

總結(jié)以及未來前景

LivePortrait的相關(guān)技術(shù)點(diǎn)，已在快手的諸多業(yè)務(wù)完成落地，包括快手魔表、快手私信、快影的AI表情玩法、快手直播、以及快手孵化的面向年輕人的噗嘰APP等，并將探索新的落地方式，持續(xù)為用戶創(chuàng)造價值。此外，LivePortrait會基于可靈基礎(chǔ)模型，進(jìn)一步探索多模態(tài)驅(qū)動的人像視頻生成，追求更高品質(zhì)的效果。

現(xiàn)在，無論你是想制作一段個性化的肖像視頻，還是想給老照片賦予新的生命，LivePortrait都能幫你輕松實(shí)現(xiàn)。這不僅僅是一個工具，更是一個讓創(chuàng)意無限擴(kuò)展的平臺。所以，別再讓你的照片沉睡在相冊里了，讓LivePortrait喚醒它們，讓它們動起來，講述屬于它們自己的故事。

高性價比GPU算力：

https://www.ucloud.cn/site/active/gpu.html?ytag=gpu_wenzhang_0718_toutiao