抖音跳舞不用真人出镜，一张照片就能生成高质量视频！字节新技术连抱抱脸CTO都下场体验了

看！现在正有四位小姐姐在你面前大秀热舞：

以为是某些主播在短视频平台发布的作品？

No，No，No。

真实答案是：假的，生成的，而且还是只靠了一张图的那种！

真正的开启方式是这样的：

这就是来自新加坡国立大学和字节跳动最新的一项研究，名叫MagicAnimate。

它的作用简单来说可以总结为一个公式：一张图片 + 一组动作 = 毫无违和感的视频。

随着这项技术的公布，科技圈内掀起了一股轩然大波，众多科技巨擘和极客们纷纷加入其中

就连HuggingFace CTO都拿自己的头像体验了一把：

顺便还以一种幽默的方式开了个玩笑：

这算是健身了吧？我这周可以不去健身房了。

还有相当与时俱进的网友，拿着刚出炉的GTA6（侠盗猎车手6）预告片中的人物玩了一把：

甚至连表情包都成为了网友们选择的对象......

MagicAnimate可以说是把科技圈的目光聚焦到了自己身上，因此也有网友调侃说：

OpenAI可以休息一下了。

火，着实是火。

一张图即可生成一段舞

MagicAnimate如此受欢迎，应该如何使用呢？

话不多说，我们现在就来手把手地体验一次。

目前，我们的项目团队已经在HuggingFace上开放了一个在线体验页面

操作非常简单，只需要三个步骤：

1. 上传一张静态人物照片
2. 上传想要生成的动作demo视频
3. 调整参数，点击“Animate”即可

举个例子，以下是我的照片和最近全球风靡的《科目三》舞蹈片段：

△视频源：抖音（ID：QC0217）

也可以选择页面下方提供的模版进行体验：

不过需要注意的是，由于MagicAnimate目前过于火爆，在生成的过程中可能会出现“宕机”的情况：

即便成功“食用”，可能也得排大队……

（没错！截至发稿，还是没有等到结果！）

除此之外，MagicAnimate在GitHub中也给出了本地体验的方式，感兴趣的小伙伴可以试试哦~

那么接下来的一个问题便是：

怎么做到的？

整体而言，MagicAnimate采用的是基于扩散模型（diffusion）的一个框架，目的就是增强时间一致性、保持参考图像的真实性，并提高动画保真度。

为此，团队首先开发了一个视频扩散模型（Temporal Consistency Modeling）来编码时间信息。

这个模型通过在扩散网络中加入时间注意力模块，来编码时间信息，从而确保动画中各帧之间的时间一致性。

其次，为了保持帧间的外观一致性，团队引入了一种新的外观编码器（Appearance Encoder）来保留参考图像的复杂细节。

这个编码器与以往使用CLIP编码的方法有所不同，它能够提取更密集的视觉特征，以引导动画制作，从而更好地保留身份、背景和服装等信息

在这两项创新技术的基础之上，团队进一步采用了一种简单的视频融合技术（Video Fusion Technique）来促进长视频动画的平滑过渡。

最终，经过两个基准实验的验证，结果显示MagicAnimate的效果远远超过以往的方法

尤其是在具有挑战性的TikTok舞蹈数据集上，MagicAnimate在视频保真度方面比最强基线高出38%以上！

以下是团队给出的定性比较：

并且与cross-ID的最先进的基准模型相比，我们的结果如下：

One More Thing

不得不说，像MagicAnimate这样的项目最近真的非常受欢迎

这不，在它“出道”前不久，阿里团队也发布了一个名叫Animate Anyone的项目，同样是只要“一张图”和“想要的动作”：

由此，也有网友提出了疑问：

这似乎是MagicAnimate和AnimateAnyone之间的战争。谁更胜一筹？

你觉得呢？

请点击以下链接查看论文：https://arxiv.org/abs/2311.16498

以上是抖音跳舞不用真人出镜，一张照片就能生成高质量视频！字节新技术连抱抱脸CTO都下场体验了的详细内容。更多信息请关注PHP中文网其他相关文章！