HumanDiT – 浙大联合字节推出的姿态引导人体视频生成框架-爱论文

HumanDiT是什么

HumanDiT 是浙江大学和字节跳动联合提出的姿态引导的高保真人体视频生成框架。基于扩散变换器（Diffusion Transformer，DiT），能在大规模数据集上训练，生成具有精细身体渲染的长序列人体运动视频。HumanDiT 的核心优势在于姿态引导机制，通过关键点扩散变换器（Keypoint-DiT）生成后续姿态序列，保证视频中人体动作的连贯性和自然性。引入了前缀潜在参考策略，在长序列中保持个性化特征。 HumanDiT 支持多种视频分辨率和可变序列长度，适合长序列视频生成。基于姿态适配器实现给定序列的姿态转移，进一步提升了姿态对齐的准确性。

HumanDiT的主要功能

姿态引导的视频生成：HumanDiT 基于关键点扩散变换器（Keypoint-DiT）生成后续姿态序列，确保视频中人体动作的连贯性和自然性。长序列视频生成：支持多种视频分辨率和可变序列长度，适合生成长序列的高质量视频。个性化特征保持：通过前缀潜在参考策略，在长序列中保持个性化特征。灵活的输入与输出：能从静态图像或现有视频中继续生成视频，适用于多种应用场景。姿态适配与细化：基于姿态适配器实现给定序列的姿态转移，通过姿态细化模块增强面部和手部特征与参考图像的对齐效果。

HumanDiT的技术原理

姿态引导与扩散变换器：HumanDiT 通过姿态引导的方式生成视频，基于关键点扩散变换器（Keypoint-DiT）在推理阶段生成后续的姿态序列。确保了视频中人体动作的连贯性和自然性，同时扩散变换器能够处理不同分辨率和序列长度的视频。前缀潜在参考策略：为了在长序列视频生成中保持个性化特征，HumanDiT 引入了前缀潜在参考策略。策略通过将视频的第一帧作为无噪声的前缀潜在向量，供模型在生成过程中参考，保持视觉一致性。姿态适配器与姿态细化模块：HumanDiT 使用姿态适配器来实现给定序列的姿态转移，通过姿态细化模块进一步优化生成的姿态序列。有助于提高面部和手部等细节部位的生成质量，确保与参考图像的对齐效果。大规模数据集训练：HumanDiT 在包含 14000 小时高质量视频的大型数据集上进行训练，数据通过结构化的数据处理流程收集，涵盖了多种人类动作场景。使模型能学习到丰富的运动先验，在推理过程中表现出强大的泛化能力。

HumanDiT的项目地址

项目官网：https://agnjason.github.io/HumanDiT-page/arXiv技术论文：https://arxiv.org/pdf/2502.04847

HumanDiT的应用场景

虚拟人：HumanDiT 可以用于生成虚拟人的动态视频，动作更加自然流畅。在虚拟客服场景中，虚拟人可以根据用户的提问实时生成相应的动作和表情，提供更加生动、逼真的交互体验。动画电影：HumanDiT 能生成高质量、长序列的人体运动视频，可以用于生成动画角色的动作序列，帮助动画师快速生成高质量的动作片段，提高制作效率。沉浸式体验：HumanDiT 可以用于构建沉浸式体验中的虚拟角色和动作。在沉浸式 VR 体验中，HumanDiT 可以生成与场景匹配的人物动作和表情，让参与者感受到更加真实和生动的体验。视频生成与续写：可以从单张图像生成视频，或者从现有视频中继续生成后续内容。