本文提出了一种名为DFRT的方法，用于在少量训练数据下实现声音驱动的面部融合。该方法通过2D图像学习面部先验知识，并利用可微的面部扭曲模块建模面部变形，从而快速生成高质量的音频驱动视频。

本文研究了如何通过显著性提高卷积神经网络在少量训练数据下的分类准确性。实验表明，添加显著性分支显著提升了网络性能，尤其在数据有限的情况下。研究还探讨了不同显著性模型的表现，并提出了新的神经网络结构和改进的空间相关性方法，展示了在公共基准测试中的优越性。