ConsisID – 北大联合鹏城实验室等机构推出的文本到视频生成模型-爱论文

ConsisID是什么

ConsisID是北京大学和鹏城实验室等机构推出的文本到视频（Text-to-Video, IPT2V）生成模型，基于频率分解技术保持视频中人物身份的一致性。模型用免调优（tuning-free）的Diffusion Transformer（DiT）架构，结合低频全局特征和高频内在特征，用分层训练策略生成高质量、可编辑且身份一致性强的视频。ConsisID在多个评估维度上超越现有技术，推动了身份一致性视频生成技术的发展。

ConsisID的主要功能

身份保持：在视频生成过程中保持人物身份的一致性，确保视频中的人物特征与提供的参考图像相匹配。高质量视频生成：生成视觉上逼真、细节丰富的视频内容。无需微调：作为免调优（tuning-free）模型，不需要针对每个新案例进行微调，降低了使用门槛。可编辑性：支持用户用文本提示控制视频内容，包括人物动作、表情和背景等。泛化能力：能处理训练数据领域之外的人物，提高模型的泛化能力。

ConsisID的技术原理

频率分解：低频控制：用全局人脸特征提取器，将参考图像和人脸关键点编码为低频特征，集成到网络的浅层，缓解训练难度。高频控制：设计局部人脸特征提取器，捕获高频细节注入到Transformer模块，增强模型对细粒度特征的保留能力。层次化训练策略：粗到细训练：先让模型学习全局信息，再细化到局部信息，保持视频在空间和时间维度上的一致性。动态掩码损失（Dynamic Mask Loss）：用人脸mask约束损失函数的计算，让模型专注于人脸区域。动态跨脸损失（Dynamic Cross-Face Loss）：引入跨面部的参考图像，提高模型对未见身份的泛化能力。特征融合：用人脸识别骨干网络和CLIP图像编码器提取特征，基于Q-Former融合特征，生成包含高频语义信息的内在身份特征。交叉注意力机制：基于交叉注意力机制，让模型能与预训练模型生成的视觉标记交互，有效增强DiT中的高频信息。

ConsisID的项目地址

项目官网：pku-yuangroup.github.io/ConsisIDGitHub仓库：https://github.com/PKU-YuanGroup/ConsisIDHuggingFace模型库：https://huggingface.co/datasets/BestWishYsh/ConsisIDarXiv技术论文：https://arxiv.org/pdf/2411.17440在线体验Demo：https://huggingface.co/spaces/BestWishYsh/ConsisID

ConsisID的应用场景

个性化娱乐：用户创建与自己或指定人物相似的虚拟形象，用在社交媒体平台或个人娱乐。虚拟主播：在新闻播报或网络直播中，用ConsisID生成的虚拟主播24小时不间断地工作。电影和电视制作：在电影后期制作中，用在生成特效场景中的角色，或创建全新的虚拟角色。游戏行业：为游戏角色设计提供原型，或在游戏中生成与玩家相似的非玩家角色（NPC）。教育和模拟训练：创建历史人物或模拟特定场景，用在教育目的或专业培训，如医疗模拟、驾驶训练等。