OmniHuman – 字节跳动推出的单张照片生成全身动态视频生成框架-爱论文

OmniHuman是什么

OmniHuman是字节跳动推出的端到端多模态条件化人类视频生成框架，能基于单张人类图像和运动信号（如音频、视频或两者的组合）生成逼真的人类视频。OmniHuman基于多模态运动条件混合训练策略，克服以往方法因高质量数据稀缺而导致的性能瓶颈，支持任意宽高比的图像输入（包括肖像、半身和全身图像），能适应多种场景。OmniHuman 在歌唱、对话、手势处理等方面表现出色，支持多种视觉和音频风格，同时兼容音频、视频及组合驱动，生成高质量的视频内容。

OmniHuman的主要功能

多模态驱动的视频生成：支持音频驱动（如说话、唱歌）和姿势驱动（如手势、动作），且能结合两者进行混合驱动，生成自然流畅的人类动作视频。支持多种输入形式，包括面部特写、半身像、全身像，兼容不同比例和风格的图像。高逼真度与多样化动作：生成的视频在视觉上高度逼真，具备自然的面部表情、肢体动作和流畅的动态效果。能处理复杂的动作和对象交互，例如唱歌时演奏乐器、手势与物体的自然互动等。灵活的视频生成：支持任意宽高比和时长的视频生成，根据输入信号生成不同长度的视频片段。兼容多种图像风格，包括写实、卡通和风格化人物。多场景适应性：在多种场景下生成高质量视频，包括不同的背景、光照条件和相机角度。

OmniHuman的技术原理

混合条件训练策略：多条件融合：将文本、音频和姿势等多种运动相关条件混合到训练过程中，减少数据筛选导致的浪费，运用不同条件之间的互补性。分阶段训练：基于三阶段训练策略，逐步引入不同条件（文本、音频、姿势），根据条件的强弱调整训练比例，优化模型的泛化能力。训练原则：更强条件的任务用较弱条件的任务及其对应数据，扩展数据规模。条件越强，训练比例应越低，避免模型过度依赖强条件。扩散变换器架构：基于DiT的模型：OmniHuman 基于先进的视频生成模型架构DiT，用因果3DVAE（Causal 3DVAE）将视频投影到潜在空间，并基于流匹配（Flow Matching）作为训练目标。条件注入：音频条件：用wav2vec模型提取音频特征，将其与视频帧特征结合，生成音频令牌（tokens），基于交叉注意力机制注入到模型中。姿势条件：用姿势引导器（Pose Guider）处理姿势条件，将姿势热图特征与视频帧特征结合，生成姿势令牌（tokens），将其与噪声潜在表示一起输入模型。文本条件：保留DiT架构中的文本分支，用在描述生成视频的内容。参考条件处理：采用创新的参考条件策略，基于修改3D旋转位置嵌入（RoPE），将参考图像特征与视频特征融合，无需额外的网络模块。推理策略：分类器自由引导（CFG）：在推理过程中，对音频和文本条件应用CFG策略，基于逐步降低CFG强度，平衡表达性和计算效率，减少生成视频中的瑕疵（如皱纹）。长视频生成：用上一个视频片段的最后几帧作为运动帧，确保长视频生成中的时间连贯性和身份一致性。

OmniHuman的项目地址

项目官网：https://omnihuman-lab.github.io/arXiv技术论文：https://arxiv.org/pdf/2502.01061

OmniHuman的应用场景

影视与娱乐：生成虚拟角色动画、虚拟主播、音乐视频等，提升内容制作效率和视觉效果。游戏开发：为游戏角色和NPC生成自然动作，增强游戏沉浸感和互动性。教育与培训：创建虚拟教师、模拟训练视频，辅助语言学习和职业技能培训。广告与营销：生成个性化广告、品牌推广视频，提升用户参与度和内容吸引力。社交媒体与内容创作：帮助创作者快速生成高质量短视频，支持互动视频创作，增加内容趣味性