支援合成一分鐘高畫質影片，華科等提出人類跳舞影片生成新框架UniAnimate

机器之心發表於2024-06-09

AIxiv專欄是機器之心釋出學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報導了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯絡報導。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

人類跳舞影片生成是一項引人注目且具有挑戰性的可控影片合成任務，旨在根據輸入的參考影像和目標姿勢序列生成高質量逼真的連續影片。隨著影片生成技術的快速發展，特別是生成模型的迭代演化，跳舞影片生成任務取得了前所未有的進展，並展示了廣泛的應用潛力。

現有的方法可以大致分為兩組。第一組通常基於生成對抗網路（GAN），其利用中間的姿勢引導表示來扭曲參考外觀，並透過之前扭曲的目標生成合理的影片幀。然而，基於生成對抗網路的方法通常存在訓練不穩定和泛化能力差的問題，導致明顯的偽影和幀間抖動。

第二組則使用擴散模型（Diffusion model）來合成逼真的影片。這些方法兼具穩定訓練和強大遷移能力的優勢，相較於基於 GAN 的方法表現更好，典型方法如 Disco、MagicAnimate、Animate Anyone、Champ 等。

儘管基於擴散模型的方法取得了顯著進展，但現有的方法仍存在兩個限制：一是需要額外的參考網路（ReferenceNet）來編碼參考影像特徵並將其與 3D-UNet 的主幹分支進行表觀對齊，導致增加了訓練難度和模型引數；二是它們通常採用時序 Transformer 來建模影片幀之間時序依賴關係，但 Transformer 的複雜度隨生成的時間長度成二次方的計算關係，限制了生成影片的時序長度。典型方法只能生成 24 幀影片，限制了實際部署的可能性。儘管採用了時序重合的滑動視窗策略可以生成更長的影片，但團隊作者發現這種方式容易導致片段重合連線處通常存在不流暢的轉換和外貌不一致性的問題。

為了解決這些問題，來自華中科技大學、阿里巴巴、中國科學技術大學的研究團隊提出了 UniAnimate 框架，以實現高效且長時間的人類影片生成。

論文地址：https://arxiv.org/abs/2406.01188
專案主頁：https://unianimate.github.io/

方法簡介

UniAnimate 框架首先將參考影像、姿勢指導和噪聲影片對映到特徵空間中，然後利用統一的影片擴散模型（Unified Video Diffusion Model）同時處理參考影像與影片主幹分支表觀對齊和影片去噪任務，實現高效特徵對齊和連貫的影片生成。

其次，研究團隊還提出了一種統一的噪聲輸入，其支援隨機噪聲輸入和基於第一幀的條件噪聲輸入，隨機噪聲輸入可以配合參考影像和姿態序列生成一段影片，而基於第一幀的條件噪聲輸入（First Frame Conditioning）則以影片第一幀作為條件輸入延續生成後續的影片。透過這種方式，推理時可以透過把前一個影片片段（segment）的最後一幀當作後一個片段的第一幀來進行生成，並以此類推在一個框架中實現長影片生成。

最後，為了進一步高效處理長序列，研究團隊探索了基於狀態空間模型（Mamba）的時間建模架構，作為原始的計算密集型時序 Transformer 的一種替代。實驗發現基於時序 Mamba 的架構可以取得和時序 Transformer 類似的效果，但是需要的視訊記憶體開銷更小。

透過 UniAnimate 框架，使用者可以生成高質量的時序連續人類跳舞影片。值得一提的是，透過多次使用 First Frame Conditioning 策略，可以生成持續一分鐘的高畫質影片。與傳統方法相比，UniAnimate 具有以下優勢：

無需額外的參考網路：UniAnimate 框架透過統一的影片擴散模型，消除了對額外參考網路的依賴，降低了訓練難度和模型引數的數量。
引入了參考影像的姿態圖作為額外的參考條件，促進網路學習參考姿態和目標姿態之間的對應關係，實現良好的表觀對齊。
統一框架內生成長序列影片：透過增加統一的噪聲輸入，UniAnimate 能夠在一個框架內生成長時間的影片，不再受到傳統方法的時間限制。
具備高度一致性：UniAnimate 框架透過迭代利用第一幀作為條件生成後續幀的策略，保證了生成影片的平滑過渡效果，使得影片在外觀上更加一致和連貫。這一策略也使得使用者可以生成多個影片片段，並選取生成結果好的片段的最後一幀作為下一個生成片段的第一幀，方便了使用者與模型互動和按需調整生成結果。而利用之前時序重合的滑動視窗策略生成長影片，則無法進行分段選擇，因為每一段影片在每一步擴散過程中都相互耦合。

以上這些特點使得 UniAnimate 框架在合成高質量、長時間的人類跳舞影片方面表現出色，為實現更廣泛的應用提供了新的可能性。

生成結果示例

1. 基於合成圖片進行跳舞影片生成。