網友：OpenAI可以休息一下了
金磊 發自 凹非寺
量子位 | 公衆號 QbitAI
看！現在正有四位小姐姐在你面前大秀熱舞：
以爲是某些主播在短視頻平臺發佈的作品？
不,不,不。
真實答案是：假的，生成的，而且還是隻靠了
一張圖
的那種！
真實的打開方式是這樣的：
這就是來自新加坡國立大學和字節跳動最新的一項研究，名叫
MagicAnimate
。
它的作用簡單來說可以總結爲一個公式：一張
圖片
+ 一組
動作
= 毫無違和感的
視頻
。
然後啊，這項技術一經公佈，可謂是在科技圈裏掀起了不小的波瀾，衆多科技大佬和極客們紛紛下場耍了起來。
就連
HuggingFace首席技術官
都拿自己的頭像體驗了一把：
順便還風趣地開了句玩笑：
這算是健身了吧？我這周可以不去健身房了。
還有相當與時俱進的網友，拿着剛出爐的
GTA6
（俠盜獵車手6）預告片中的人物玩了一把：
甚至就連表情包們也成了網友們pick的對象……
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，着實是火。
一張圖即可生成一段舞
那麼如此火爆的MagicAnimate，該如何“食用”？
話不多說，我們現在就來手把手地體驗一次。
目前項目團隊已經在HuggingFace中開放了在線體驗的頁面：
操作也是非常得簡單，只需三步即可：
- 上傳一張靜態人物照片
- 上傳想要生成的動作demo視頻
- 調整參數，點擊“Animate”即可
例如下面就是鄙人照片和一段近期席捲全球的《科目三》舞蹈片段：
△視頻源：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，感興趣的小夥伴可以試試哦~
那麼接下來的一個問題便是：
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、保持參考圖像的真實性，並提高動畫保真度。
爲此，團隊首先開發了一個
視頻擴散模型
（Temporal Consistency Modeling）來編碼時間信息。
這個模型通過在擴散網絡中加入時間注意力模塊，來編碼時間信息，從而確保動畫中各幀之間的時間一致性。
其次，爲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編碼的方法不同，能夠提取密集的視覺特徵來引導動畫，從而更好地保留身份、背景和服裝等信息。
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，在兩個基準上的實驗表明，MagicAnimate的結果要遠優於以往的方法。
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！
團隊所給出的定性比較如下：
以及與cross-ID的SOTA基線相比，結果如下：
還有一件事
不得不說，諸如MagicAnimate的項目最近着實是有點火爆。
這不，在它“出道”前不久，
阿里
團隊也發佈了一個名叫
有生命的人
的項目，同樣是只要“一張圖”和“想要的動作”：
由此，也有網友發出了疑問：
這似乎是MagicAnimate和AnimateAnyone之間的戰爭。
誰更勝一籌？
你覺得呢？
論文地址：
https://arxiv.org/abs/2311.16498
參考鏈接：
[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
