Phantom – 字节跳动推出的主体一致视频生成框架-爱论文

Phantom是什么

Phantom是字节跳动智能创作团队推出的用在主体一致视频生成（Subject-to-Video, S2V）的框架。基于跨模态对齐技术，结合文本和图像提示，从参考图像中提取主体元素并生成与文本描述一致的视频内容。Phantom基于现有的文本到视频（T2V）和图像到视频（I2V）架构，重新设计了联合文本-图像注入模型，基于文本-图像-视频三元组数据学习跨模态对齐。Phantom框架支持单主体和多主体参考，特别在人类生成任务中强调主体一致性，覆盖现有的身份保留视频生成任务，提供增强优势。

Phantom的主要功能

从参考图像中提取主体元素：识别并提取图像中的主体（如人物、动物、物体等），作为生成视频的核心内容。根据文本提示生成视频：用户基于文本指令控制视频的内容和风格，实现高度定制化的视频生成。多主体视频生成：支持同时处理多个主体，生成复杂的交互场景，如多人互动、人与宠物互动等。身份保留（ID-Preserving）：在生成视频时，保留主体的身份特征（如人脸、服装等），特别适用于虚拟试穿、数字人生成等场景。高质量视频输出：生成的视频在视觉效果、主体一致性和文本响应性方面表现出色，与现有的商业解决方案相当。

Phantom的技术原理

数据结构设计：Phantom构建了文本-图像-视频三元组数据结构，用在训练模型理解不同模态之间的关系。数据分为In-paired（图像与视频主体一致）和Cross-paired（跨视频匹配）两种类型，避免模型简单复制输入图像。模型架构：基于现有的文本到视频（T2V）和图像到视频（I2V）架构，重新设计联合文本-图像注入模型。模型分为输入头（Input Head）和可训练的DiT模块。输入头负责编码视频、文本和参考图像，DiT模块负责跨模态对齐和视频生成。跨模态对齐：参考图像基于特定的视觉编码器（如VAE和CLIP）编码后，与视频特征和文本特征分别拼接，输入到DiT模块的视觉和文本分支。身份保留技术：在处理人脸等身份特征时，基于面部识别模型（如ArcFace）评估生成视频与参考图像的相似度，确保主体身份的一致性。优化与训练：基于大规模的三元组数据训练，学习如何在生成视频时平衡文本和图像的双重提示。模型在预训练阶段继承基础模型的权重，基于跨模态数据进一步微调，实现高质量的视频生成。