第一作者、第二作者分別為復(fù)旦大學(xué)研究生涂樹源、邢楨，通訊作者為復(fù)旦大學(xué)吳祖煊副教授。

近年來，擴(kuò)散模型在圖像與視頻合成領(lǐng)域展現(xiàn)出強(qiáng)大能力，為圖像動畫技術(shù)的發(fā)展帶來了新的契機(jī)。特別是在人物圖像動畫方面，該技術(shù)能夠基于一系列預(yù)設(shè)姿態(tài)驅(qū)動參考圖像，使其動態(tài)化，從而生成高度可控的人體動畫視頻。此類技術(shù)在多個應(yīng)用場景中展現(xiàn)出巨大潛力，包括：（1）影視行業(yè)：為動畫制作提供高效解決方案，使虛擬角色的動畫生成更加精細(xì)與便捷。（2）游戲行業(yè)：賦予游戲角色和虛擬人物自然流暢的動作表現(xiàn)，增強(qiáng)交互體驗，使虛擬世界更加真實。（3）自媒體內(nèi)容創(chuàng)作：助力短視頻創(chuàng)作者與數(shù)字藝術(shù)家拓展創(chuàng)意邊界，實現(xiàn)高度定制化的動態(tài)形象設(shè)計。

人像動畫生成的關(guān)鍵在于：基于參考圖像和輸入的動作序列合成動態(tài)視頻，同時確保人物身份特征（尤其是面部信息）的一致性。然而，現(xiàn)有方法在處理復(fù)雜動作變化時仍然面臨諸多挑戰(zhàn)：（1）身份一致性受損，面部區(qū)域在劇烈動作下易產(chǎn)生形變和失真，難以保持穩(wěn)定的個體特征。（2）視頻質(zhì)量下降，當(dāng)前最先進(jìn)的人像動畫生成模型（如 MimicMotion 和 ControlneXt）依賴外部換臉工具（FaceFusion）進(jìn)行后處理，這種方式雖能改善局部細(xì)節(jié)，但往往降低整體視頻的視覺質(zhì)量。（3）空間與時間建模的矛盾，即便已有眾多專注于身份一致性的圖像生成模型，直接將其嵌入視頻擴(kuò)散模型卻常導(dǎo)致建模沖突。其根本原因在于，視頻擴(kuò)散模型引入時間建模層后，原本穩(wěn)定的空間特征分布被擾動，而基于圖像 的 ID 保護(hù)方法通常依賴于靜態(tài)的空間特征分布，這種失衡導(dǎo)致身份保持能力下降，并在 ID 還原與視頻流時序暢度之間產(chǎn)生難以調(diào)和的矛盾。

為了解決上述問題，我們提出了 StableAnimator 框架，以實現(xiàn)高質(zhì)量和高保真的 ID 一致性人類視頻生成，目前代碼已開源，包括推理代碼和訓(xùn)練代碼。

• 論文地址：https://arxiv.org/abs/2411.17697
• 項目主頁：https://francis-rings.github.io/StableAnimator/
• 項目代碼：https://github.com/Francis-Rings/StableAnimator
• 項目 Demo: https://www.bilibili.com/video/BV1X5zyYUEuD

方法簡介

如圖所示，StableAnimator 在 Stable Video Diffusion (SVD) 這一常用骨干模型的基礎(chǔ)上進(jìn)行構(gòu)建，以高效處理用戶輸入的參考圖像，生成符合輸入姿態(tài)序列的視頻。其關(guān)鍵流程包括三條并行的特征提取與融合路徑：（1）參考圖像首先通過凍結(jié)的 VAE 編碼器轉(zhuǎn)換為潛變量特征，這些特征被復(fù)制以匹配視頻幀數(shù)，并與主要潛變量拼接，以確保時序一致性。（2）圖像同時經(jīng)過 CLIP 圖像編碼器，提取全局外觀嵌入，這些嵌入分別輸入至去噪 U-Net 的每個交叉注意力層以及 StableAnimator 專門設(shè)計的面部編碼器，以增強(qiáng)生成圖像的外觀一致性。（3）此外，圖像還經(jīng)過 ArcFace 進(jìn)行面部特征提取，生成的面部嵌入進(jìn)一步由 StableAnimator 的面部編碼器優(yōu)化，以提升面部對齊度和身份一致性，優(yōu)化后的嵌入最終輸入至去噪 U-Net 以指導(dǎo)生成過程。同時，PoseNet 結(jié)構(gòu)（類似于 AnimateAnyone）負(fù)責(zé)提取輸入姿態(tài)序列的運(yùn)動特征，并將其添加至噪聲潛變量特征中，以確保生成視頻的姿態(tài)精準(zhǔn)匹配輸入序列。

在推理階段，StableAnimator 采用去噪生成策略，將原始輸入視頻幀替換為隨機(jī)噪聲，同時保持其他輸入信息不變，以確保生成過程的靈活性和泛化能力。其核心創(chuàng)新在于引入了一種基于 Hamilton-Jacobi-Bellman（HJB）方程的面部優(yōu)化方法，以提升身份一致性并徹底擺脫對外部換臉工具的依賴。具體而言，該方法將 HJB 方程的求解過程嵌入到去噪步驟中，通過計算 HJB 方程的最優(yōu)解，引導(dǎo) U-Net 在潛變量特征的分布調(diào)整上朝向更高的身份一致性方向收斂。這樣一來，去噪過程不僅僅是對隨機(jī)噪聲的純粹去除，更是一個動態(tài)優(yōu)化過程，使生成的視頻在保持高質(zhì)量的同時，實現(xiàn)面部特征的精準(zhǔn)保留，從而在身份一致性與視頻保真度之間達(dá)到更優(yōu)的平衡。

StableAnimator 的核心技術(shù)點包括以下三個方面：

（1）全局內(nèi)容感知面部編碼器（Global Content-aware Face Encoder）：該編碼器創(chuàng)新性地將面部特征與全局圖像布局深度融合，利用多層交叉注意力機(jī)制，使面部嵌入特征精準(zhǔn)對齊參考圖像的整體上下文。通過這種方式，它有效過濾掉與身份無關(guān)的背景噪聲，確保面部建模更加穩(wěn)定，從而提高面部特征的一致性和清晰度。

（2）分布感知的身份適配器（Distribution-aware ID Adapter）：針對擴(kuò)散模型中時序?qū)訉臻g特征分布的干擾問題，該適配器引入了一種分布對齊策略。具體而言，它通過計算面部特征和全局圖像特征的均值與方差，確保二者在整個去噪過程中保持一致性，避免特征偏移和失真。該適配器的設(shè)計使得面部特征能夠無縫適配時序建模層，同時維持視頻整體的空間一致性和視覺質(zhì)量。

（3）基于 Hamilton-Jacobi-Bellman (HJB) 方程的面部優(yōu)化：此優(yōu)化過程僅在推理階段激活，并不會影響 U-Net 的參數(shù)更新。StableAnimator 通過在擴(kuò)散推理過程中引入 HJB 方程優(yōu)化，使面部特征的調(diào)整遵循最優(yōu)路徑選擇原則。HJB 優(yōu)化過程與去噪步驟并行進(jìn)行，使優(yōu)化后的變量對去噪路徑施加約束，從而促使模型在生成過程中保留更高的身份一致性，同時顯著減少面部區(qū)域的細(xì)節(jié)損失，確保視頻的高質(zhì)量輸出。

生成結(jié)果示例

請點擊訪問項目主頁（https://francis-rings.github.io/StableAnimator/）獲取以上示例的高清原視頻。

實驗對比分析

1. 與 SOTA 方法的定性對比實驗

現(xiàn)有方法在處理面部和身體變形以及服裝變化方面存在明顯局限。例如，Disco、MagicAnimate、AnimateAnyone 和 Champ 在姿態(tài)轉(zhuǎn)換過程中容易導(dǎo)致面部特征扭曲或服裝結(jié)構(gòu)丟失，而 Unianimate 在動作匹配方面表現(xiàn)良好，能夠精準(zhǔn)調(diào)整參考圖像的姿態(tài)，但仍難以保證身份一致性。同時，MimicMotion 和 ControlNeXt 在保留服裝細(xì)節(jié)方面具有優(yōu)勢，但在身份特征一致性上仍然存在缺陷。相比之下，StableAnimator 通過精確建模姿勢序列驅(qū)動圖像動畫化，在動態(tài)生成過程中不僅保持了參考圖像的身份特征完整性，而且確保了生成結(jié)果的細(xì)節(jié)準(zhǔn)確性和生動性，充分展現(xiàn)了在身份一致性和高質(zhì)量動畫生成方面的顯著優(yōu)勢。

2. 與 SOTA 方法的定量對比實驗

StableAnimator 在 TikTok 數(shù)據(jù)集和 Unseen100 數(shù)據(jù)集上與當(dāng)前最先進(jìn)（SOTA）的人像圖像動畫模型進(jìn)行了定量對比。其中，Unseen100 數(shù)據(jù)集從主流視頻網(wǎng)站額外收集的 100 個視頻組成，相較于 TikTok 數(shù)據(jù)集，Unseen100 具有更復(fù)雜的動作信息和更精細(xì)的主體外觀，尤其是包含位置變化和面部表情動態(tài)變化（如搖頭動作），使得保持身份一致性更具挑戰(zhàn)性。為了確保公平性，所有模型均在 StableAnimator 的訓(xùn)練集上進(jìn)行訓(xùn)練后，再在 Unseen100 上進(jìn)行評估。對比實驗結(jié)果表明，StableAnimator 在面部質(zhì)量（CSIM）和視頻保真度（FVD）方面均超越所有對比模型，同時保持了較高的單幀質(zhì)量。特別是，相較于當(dāng)前最優(yōu)的 Unianimate，StableAnimator 在 TikTok 和 Unseen100 數(shù)據(jù)集上的 CSIM 分別提升了 36.9% 和 45.8%，而這一顯著的身份一致性提升并未以犧牲視頻保真度和單幀質(zhì)量為代價，充分驗證了其在高質(zhì)量人像動畫生成中的卓越性能。

3. 與 SOTA 方法在長視頻生成的對比實驗

視頻鏈接：https://mp.weixin.qq.com/s/qK3s-us2XeDv7phW83W5BQ