본 논문에서는 기존의 자기회귀 방식 기반의 토킹 헤드 생성 모델의 한계(제한된 문맥 활용, 오류 누적, 느린 생성 속도)를 극복하기 위해, 비자기회귀 확산 모델 기반의 새로운 프레임워크인 DAWN (Dynamic frame Avatar With Non-autoregressive diffusion)을 제시합니다. DAWN은 잠재적인 움직임 공간에서 오디오 기반의 전체적인 얼굴 역학 생성과 오디오 기반의 머리 자세 및 눈 깜빡임 생성이라는 두 가지 주요 구성 요소로 이루어져 있습니다. 이를 통해 동적 길이의 비디오 시퀀스를 한 번에 생성하며, 정확한 입술 움직임과 자연스러운 자세/눈 깜빡임 동작을 가진 사실적이고 생생한 비디오를 빠른 속도로 생성합니다. 특히, 높은 생성 속도와 강력한 외삽 능력을 통해 고품질의 긴 비디오를 안정적으로 생성할 수 있다는 장점을 가지고 있습니다.
