谷歌发布“Vlogger”模型：单张图片生成10秒视频

AIGC动态欢迎阅读

原标题：谷歌发布“Vlogger”模型：单张图片生成10秒视频
关键字：腾讯,视频,模型,图像,动作
文章来源：量子位
内容字数：3344字

内容摘要：

丰色发自凹非寺量子位 | 公众号 QbitAI谷歌发布了一个新的视频框架：
只需要一张你的头像、一段讲话录音，就能得到一个本人栩栩如生的演讲视频。视频时长可变，目前看到的示例最高为10s。
可以看到，无论是口型还是面部表情，它都非常自然。
如果输入图像囊括整个上半身，它也能配合丰富的手势：
网友看完就表示：
有了它，以后咱开线上视频会议再也不需要整理好发型、穿好衣服再去了。
嗯，拍一张肖像，录好演讲音频就可以（手动狗头）
用声音控制肖像生成视频这个框架名叫VLOGGER。
它主要基于扩散模型，并包含两部分：
一个是随机的人体到3D（human-to-3d-motion）扩散模型。
另一个是用于增强文本到图像模型的新扩散架构。
其中，前者负责将音频波形作为输入，生物的身体控制动作，包括眼神、表情和手势、身体整体姿势等等。
后者则是一个时间维度的图像到图像模型，用于扩展大型图像扩散模型，使用刚刚预测的动作来生成相应的帧。
为了使结果符合特定的人物形象，VLOGGER还将参数图像的po作为输入。
VLOGGER的训练是在一个超大的数据集（名叫MENTOR）上完成的。
有多大

原文链接：谷歌发布“Vlogger”模型：单张图片生成10秒视频