只需一张图片、一句动作指令，Animate124轻松生成3D视频

近一年来，DreamFusion 引领了一个新潮流，即 3D 静态物体与场景的生成，这在生成技术领域引发了广泛关注。回顾过去一年，我们见证了 3D 静态生成技术在质量和控制性方面的显著进步。技术发展从基于文本的生成起步，逐渐融入单视角图像，进而发展到整合多种控制信号。

与此相较，3D 动态场景生成仍处于起步阶段。2023 年初，Meta 推出了 MAV3D，标志着首次尝试基于文本生成 3D 视频。然而，受限于开源视频生成模型的缺乏，这一领域的进展相对缓慢。

然而，现在，基于图文结合的 3D 视频生成技术已经问世！

尽管基于文本的 3D 视频生成能够产生多样化的内容，但在控制物体的细节和姿态方面仍有局限。在 3D 静态生成领域，使用单张图片作为输入已经能够有效重建 3D 物体。由此受到启发，来自新加坡国立大学（NUS）和华为的研究团队提出了 Animate124 模型。该模型结合单张图片和相应的动作描述，实现了对 3D 视频生成的精准控制。

• 项目主页: https://animate124.github.io/

• 论文地址: https://arxiv.org/abs/2311.14603

• Code: https://github.com/HeliosZhao/Animate124

核心方法

方法概括

根据静态和动态，粗糙和精细优化，本文将 3D 视频生成分为了 3 个阶段：1）静态生成阶段：使用文生图和 3D 图生图扩散模型，从单张图像生成 3D 物体；2）动态粗糙生成阶段：使用文生视频模型，根据语言描述优化动作；3) 语义优化阶段：额外使用个性化微调的 ControlNet，对第二阶段语言描述对外观造成的偏移进行优化改善。

图 1. 整体框架

静态生成

本文延续 Magic123 的方法，使用文生图（Stable Diffusion）和 3D 图生图（Zero-1-to-3）进行基于图片的静态物体生成：

对于条件图片所对应的视角，额外使用损失函数进行优化：

通过上述两个优化目标，得到多视角 3D 一致的静态物体（此阶段在框架图中省略）。

动态粗糙生成

此阶段主要使用文生视频扩散模型，将静态 3D 视为初始帧，根据语言描述生成动作。具体来说，动态 3D 模型（dynamic NeRF）渲染连续时间戳的多帧视频，并将此视频输入文生视频扩散模型，采用 SDS 蒸馏损失对动态 3D 模型进行优化：

仅使用文生视频的蒸馏损失会导致 3D 模型遗忘图片的内容，并且随机采样会导致视频的初始和结束阶段训练不充分。因此，本文的研究者们对开始和结束的时间戳进行过采样。并且，在采样初始帧时，额外使用静态函数进行优化（3D 图生图的 SDS 蒸馏损失）：

因此，此阶段的损失函数为：

语义优化

即使采用了初始帧过采样并且对其额外监督，在使用文生视频扩散模型的优化过程中，物体的外观仍然会受到文本的影响，从而偏移参考图片。因此，本文提出了语义优化阶段，通过个性化模型对语义偏移进行改善。

由于仅有单张图片，无法对文生视频模型进行个性化训练，本文引入了基于图文的扩散模型，并对此扩散模型进行个性化微调。此扩散模型应不改变原有视频的内容和动作，仅对外观进行调整。因此，本文采用 ControlNet-Tile 图文模型，使用上一阶段生成的视频帧作为条件，根据语言进行优化。ControlNet 基于 Stable Diffusion 模型，只需要对 Stable Diffusion 进行个性化微调（Textual Inversion），即可提取参考图像中的语义信息。个性化微调之后，将视频视为多帧图像，使用 ControlNet 对单个图像进行监督：

另外，因为 ControlNet 使用粗糙的图片作为条件，classifier-free guidance (CFG) 可以使用正常范围（10 左右），而不用与文生图以及文生视频模型一样使用极大的数值（通常是 100）。过大的 CFG 会导致图像过饱和，因此，使用 ControlNet 扩散模型可以缓解过饱和现象，实现更优的生成结果。此阶段的监督由动态阶段的损失和 ControlNet 监督联合而成：

实验结果

作为第一个基于图文的 3D 视频生成模型，本文与两个 baseline 模型和 MAV3D 进行了比较。与其他方法相比，Animate124 有更好的效果。

可视化结果比较

图 2. Animate124 与两个 baseline 比较

图 3.1. Animate124 与 MAV3D 文生 3D 视频比较

图 3.1. Animate124 与 MAV3D 图生 3D 视频比较

量化结果比较

本文使用 CLIP 和人工评价生成的质量，CLIP 指标包括与文本的相似度和检索准确率，与图片的相似度，以及时域一致性。人工评价指标包括与文本的相似度，与图片的相似度，视频质量，动作真实程度以及动作幅度。人工评价表现为单个模型与 Animate124 在对应指标上选择的比例。

与两个 baseline 模型相比，Animate124 在 CLIP 和人工评价上均取得更好的效果。

表 1. Animate124 与两个 baseline 量化比较

总结

Animate124 是首个根据文本描述，将任意图片变成 3D 视频的方法。其采用多种扩散模型进行监督和引导，优化 4D 动态表征网络，从而生成高质量 3D 视频。