只需一張圖片、一句動作指令，Animate124輕鬆生成3D視頻

Animate124，轻松将单张图片变成 3D 视频。

近一年来，DreamFusion 引领了一个新潮流，即 3D 静态物体与场景的生成，这在生成技术领域引发了广泛关注。回顾过去一年，我们见证了 3D 静态生成技术在质量和控制性方面的显著进步。技术发展从基于文本的生成起步，逐渐融入单视角图像，进而发展到整合多种控制信号。

与此相较，3D 动态场景生成仍处于起步阶段。2023 年初，Meta 推出了 MAV3D，标志着首次尝试基于文本生成 3D 视频。然而，受限于开源视频生成模型的缺乏，这一领域的进展相对缓慢。

然而，现在，基于图文结合的 3D 视频生成技术已经问世！

尽管基于文本的 3D 视频生成能够产生多样化的内容，但在控制物体的细节和姿态方面仍有局限。在 3D 静态生成领域，使用单张图片作为输入已经能够有效重建 3D 物体。由此受到启发，来自新加坡国立大学（NUS）和华为的研究团队提出了 Animate124 模型。该模型结合单张图片和相应的动作描述，实现了对 3D 视频生成的精准控制。

• 项目主页: https://animate124.github.io/
• 论文地址: https://arxiv.org/abs/2311.14603
• Code: https://github.com/HeliosZhao/Animate124

核心方法

方法概括

根据静态和动态，粗糙和精细优化，本文将 3D 视频生成分为了 3 个阶段：1）静态生成阶段：使用文生图和 3D 图生图扩散模型，从单张图像生成 3D 物体；2）动态粗糙生成阶段：使用文生视频模型，根据语言描述优化动作；3) 语义优化阶段：额外使用个性化微调的 ControlNet，对第二阶段语言描述对外观造成的偏移进行优化改善。

^{图 1. 整体框架}

静态生成

本文延续 Magic123 的方法，使用文生图（Stable Diffusion）和 3D 图生图（Zero-1-to-3）进行基于图片的静态物体生成：

对于条件图片所对应的视角，额外使用损失函数进行优化：

通过上述两个优化目标，得到多视角 3D 一致的静态物体（此阶段在框架图中省略）。

动态粗糙生成

此阶段主要使用文生视频扩散模型，将静态 3D 视为初始帧，根据语言描述生成动作。具体来说，动态 3D 模型（dynamic NeRF）渲染连续时间戳的多帧视频，并将此视频输入文生视频扩散模型，采用 SDS 蒸馏损失对动态 3D 模型进行优化：

仅使用文生视频的蒸馏损失会导致 3D 模型遗忘图片的内容，并且随机采样会导致视频的初始和结束阶段训练不充分。因此，本文的研究者们对开始和结束的时间戳进行过采样。并且，在采样初始帧时，额外使用静态函数进行优化（3D 图生图的 SDS 蒸馏损失）：

因此，此階段的損失函數為：

語意最佳化

即使採用了初始幀過採樣並且對其額外監督，在使用文生視訊擴散模型的最佳化過程中，物體的外觀仍然會受到文字的影響，從而偏移參考圖片。因此，本文提出了語意最佳化階段，透過個人化模型對語意偏移進行改善。

由於只有單張圖片，無法對文生視訊模型進行個人化訓練，本文引入了基於圖文的擴散模型，並對此擴散模型進行個性化微調。此擴散模型應不改變原有影片的內容和動作，僅對外觀進行調整。因此，本文採用 ControlNet-Tile 圖文模型，以上一階段產生的影片影格作為條件，依照語言進行最佳化。 ControlNet 是基於 Stable Diffusion 模型，只需要對 Stable Diffusion 進行個人化微調（Textual Inversion），即可擷取參考影像中的語意資訊。個人化微調之後，將影片視為多幀影像，使用ControlNet 對單一影像進行監督：

#另外，因為ControlNet 使用粗糙的圖片作為條件，classifier-free guidance (CFG) 可以使用正常範圍（10 左右），而不用與文生圖以及文生視訊模型一樣使用極大的數值（通常是100）。過大的 CFG 會導致影像過飽和，因此，使用 ControlNet 擴散模型可以緩解過飽和現象，實現更優的生成結果。此階段的監督由動態階段的損失和ControlNet 監督結合而成：

#實驗結果

作為第一個基於圖文的3D 視訊生成模型，本文與兩個baseline 模型和MAV3D 進行了比較。與其他方法相比，Animate124 有更好的效果。

視覺化結果比較

^{#E2.Animate124 與兩個baseline 比較}

^{圖3.1. Animate124 與MAV3D 文生3D 影片比較}

^{#圖3.1. Animate124 與MAV3D 圖生3D 影片比較}

量化結果比較

本文使用CLIP 和人工評價產生的質量，CLIP 指標包括與文字的相似度和檢索準確率，與圖片的相似度，以及時域一致性。人工評價指標包括與文字的相似度，與圖片的相似度，影片品質，動作真實程度以及動作幅度。人工評價表現為單一模型與 Animate124 在對應指標上所選擇的比例。

與兩個 baseline 模型相比，Animate124 在 CLIP 和人工評價上均取得更好的效果。

^{表1. Animate124 與兩個baseline 量化比較}

總結

Animate124 是第一個根據文字描述，將任一圖片變成3D 影片的方法。其採用多種擴散模型進行監督和引導，優化 4D 動態表徵網絡，從而產生高品質 3D 視訊。

以上是只需一張圖片、一句動作指令，Animate124輕鬆生成3D視頻的詳細內容。更多資訊請關注PHP中文網其他相關文章！