比特派钱包官方|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 - AI新智界

原文来源：量子位

图片来源：由无界 AI生成

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！

真实的打开方式是这样的：

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。

然后啊，这项技术一经公布，可谓是在科技圈里掀起了不小的波澜，众多科技大佬和极客们纷纷下场耍了起来。

就连HuggingFace CTO都拿自己的头像体验了一把：

顺便还风趣地开了句玩笑：

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：

甚至就连表情包们也成了网友们pick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：

火，着实是火。

一张图即可生成一段舞

那么如此火爆的MagicAnimate，该如何“食用”？

话不多说，我们现在就来手把手地体验一次。

目前项目团队已经在HuggingFace中开放了在线体验的页面：

操作也是非常得简单，只需三步即可：

例如下面就是鄙人照片和一段近期席卷全球的《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编码的方法不同，能够提取密集的视觉特征来引导动画，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，在两个基准上的实验表明，MagicAnimate的结果要远优于以往的方法。

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！

团队所给出的定性比较如下：

以及与cross-ID的SOTA基线相比，结果如下：

One More Thing

不得不说，诸如MagicAnimate的项目最近着实是有点火爆。

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，也有网友发出了疑问：

你觉得呢？

论文地址：https://arxiv.org/abs/2311.16498

参考链接：[1]https://github.com/magic-research/magic-animate[2]https://twitter.com/cocktailpeanut/status/1732052908227588263[3]https://twitter.com/ProductHunt/status/1732116454647136449[4]https://twitter.com/Gradio/status/1731992981715231162[5]https://twitter.com/dylan_ebert_/status/1732152096621813954