抖音跳舞不用真人出鏡，一張照片就能產生高品質影片！位元組新科技連抱抱臉CTO都下場體驗了

看！現在正有四位小姐姐在你面前大秀熱舞：

以為是某些主播在短片平台上發布的作品？

No，No，No。

真實答案是：假的，生成的，而且還是只靠了一張圖的那種！

真正的開啟方式是這樣的：

這就是來自新加坡國立大學和位元組跳動最新的一項研究，名叫MagicAnimate。

它的功能簡單來說可以總結為一個公式：一張圖片  一組動作 = 毫無違和感的影片 。

隨著這項技術的公佈，科技圈內掀起了一股軒然大波，眾多科技巨擘和極客們紛紛加入其中

就連HuggingFace CTO都拿自己的頭像體驗了一把：

順便還以一種幽默的方式開了個玩笑：

這算是健身了吧？我這週可以不去健身房了。

還有相當與時俱進的網友，拿著剛出爐的GTA6（俠盜獵車手6）預告片中的人物玩了一把：

甚至連表情包都成為了網友們選擇的物件......

# #MagicAnimate可以說是把科技圈的目光聚焦到了自己身上，因此也有網友調侃說：

OpenAI可以休息一下了。

火，著實火。

一張圖即可產生一段舞

MagicAnimate如此受歡迎，該如何使用呢？

話不多說，我們現在就來手把手地體驗一次。

目前，我們的專案團隊已經在HuggingFace上開放了一個線上體驗頁面

操作非常簡單，只需要三個步驟：

1. 上傳一張靜態人物照片
2. 上傳想要產生的動作demo影片
3. 調整參數，點選「Animate」即可

#舉個例子，以下是我的照片和最近全球風靡的《科目三》舞蹈片段：

#△影片來源：抖音（ID：QC0217）

也可以選擇頁面下方提供的模版進行體驗：

不過需要注意的是，由於MagicAnimate目前過於火爆，在生成的過程中可能會出現“宕機”的情況：

即便成功“食用”，可能也得排大隊……

##（沒錯！截至發稿，還是沒有等到結果！）

除此之外，MagicAnimate在GitHub中也給出了本地體驗的方式，感興趣的小伙伴可以試試看喔~

那麼接下來的一個問題就是：

怎麼做到的？

整體而言，MagicAnimate採用的是基於

擴散模型（diffusion）的一個框架，目的就是增強時間一致性、保持參考影像的真實性，並提高動畫保真度。

為此，團隊首先開發了一個

視訊擴散模型（Temporal Consistency Modeling）來編碼時間資訊。

這個模型透過在擴散網路中加入時間注意力模組，來編碼時間訊息，從而確保動畫中各幀之間的時間一致性。

其次，為了保持幀間的外觀一致性，團隊引入了一種新的

外觀編碼器（Appearance Encoder）來保留參考圖像的複雜細節。

這個編碼器與以往使用CLIP編碼的方法有所不同，它能夠提取更密集的視覺特徵，以引導動畫製作，從而更好地保留身份、背景和服裝等資訊

在這兩項創新技術的基礎之上，團隊進一步採用了一種簡單的視頻融合技術

（Video Fusion Technique）來促進長視頻動畫的平滑過渡。

最終，經過兩個基準實驗的驗證，結果顯示MagicAnimate的效果遠遠超過以往的方法

尤其是在具有挑戰性的TikTok舞蹈數據集上，MagicAnimate在視頻保真度方面比最強基線高出38%以上！

以下是團隊給出的定性比較：

並且與cross-ID的最先進的基準模型相比，我們的結果如下：

One More Thing

不得不說，像MagicAnimate這樣的項目最近真的非常受歡迎

這不，在它“出道”前不久，阿里團隊也發布了一個名叫Animate Anyone的項目，同樣是只要「一張圖」和「想要的動作」：

由此，也有網友提出了疑問：

這似乎是MagicAnimate和AnimateAnyone之間的戰爭。 誰更勝一籌？

你覺得呢？

請點選以下連結查看論文：https://arxiv.org/abs/2311.16498

以上是抖音跳舞不用真人出鏡，一張照片就能產生高品質影片！位元組新科技連抱抱臉CTO都下場體驗了的詳細內容。更多資訊請關注PHP中文網其他相關文章！