DisPose – 北大等多所高校推出的增强人物图像控制动画质量的技术-爱论文

DisPose是什么

DisPose是北京大学、中国科学技术大学、清华大学和香港科技大学的研究团队共同推出的，提高人物图像动画质量的控制技术，基于从骨骼姿态和参考图像中提取有效的控制信号，无需额外的密集输入。DisPose将姿态控制分解为运动场引导和关键点对应，生成密集运动场以提供区域级引导，同时保持对不同体型的泛化能力。DisPose包括一个即插即用的混合ControlNet，能改善现有模型生成视频的质量和一致性。

DisPose的主要功能

运动场引导：从骨骼姿态生成密集运动场，提供区域级的密集引导，增强视频生成中的动作一致性。关键点对应：提取与参考图像中姿态关键点对应的扩散特征，将扩散特征转移到目标姿态，保持身份信息的一致性。即插即用模块：作为插件模块，支持无缝集成到现有的人物图像动画模型中，无需修改现有模型参数。质量与一致性提升：混合ControlNet改善生成视频的质量和外观一致性。无需额外密集输入：在不依赖于额外密集输入（如深度图）的情况下工作，减少对参考角色和驱动视频之间身体形状差异的敏感性。

DisPose的技术原理

运动场估计：稀疏运动场：DWpose估计骨骼姿态，基于关键点追踪运动位移，表示为轨迹图。密集运动场：条件运动传播（CMP）基于稀疏运动场和参考图像预测密集运动场，提供更细致的运动信号。关键点特征提取：用预训练的图像扩散模型提取参考图像的DIFT特征，并将这些特征与关键点对应起来，形成关键点特征图。混合ControlNet：设计了混合ControlNet，在训练期间更新，不需要冻结现有模型的其他部分，便于将运动场引导和关键点对应无缝集成到现有动画模型中。特征融合：基于特征融合层将稀疏和密集运动特征结合起来，生成最终的运动场引导信号。基于多尺度点编码器将关键点特征与U-Net编码器的中间特征相结合，增强特征的语义对应。控制信号集成：将运动场引导和关键点对应作为额外的控制信号，注入到潜在的视频扩散模型中，生成准确的人物图像动画。

DisPose的项目地址

项目官网：lihxxx.github.io/DisPoseGitHub仓库：https://github.com/lihxxx/DisPosearXiv技术论文：https://arxiv.org/pdf/2412.09349

DisPose的应用场景

艺术创作：艺术家创作出具有特定动作和表情的动态艺术作品，如动态绘画和数字雕塑。社交媒体：在社交媒体平台上，生成个性化的动态头像或者动态表情，增加互动的趣味性。数字人和虚拟偶像：创建和控制虚拟角色的动作和表情，应用于直播、视频会议或者作为虚拟偶像进行表演。电影制作：在电影后期制作中，生成或修改角色的动作，提高制作效率。虚拟现实（VR）和增强现实（AR）：在VR和AR应用中，生成与用户互动的虚拟角色，提供更加自然和逼真的互动体验。