LeviTor

LeviTor – 南大聯(lián)合螞蟻等機構開源的3D目標軌跡控制視頻合成技術

LeviTor是什么

LeviTor是由學、螞蟻集團和浙江大學等機構聯(lián)合開發(fā)的一項前沿圖像到視頻合成技術。該技術通過結合深度信息和K-means聚類算法，能夠控制視頻中3D物體的軌跡，而無需進行顯式的3D軌跡跟蹤。通過高質(zhì)量的視頻對象分割數(shù)據(jù)集進行訓練，LeviTor能夠有效捕捉復雜場景中物體的和交互。其用戶友好的推理流程簡化了3D軌跡的輸入，極大地提升了視頻生成技術的先進性和易用性。LeviTor的推出為3D物體軌跡的控制開辟了新的可能性，擴大了創(chuàng)意應用的范圍，適合更廣泛的用戶群體。

LeviTor的主要功能

• 精準控制物體：在從靜態(tài)圖像生成動態(tài)視頻時，能夠精確操控物體的軌跡。
• 激發(fā)創(chuàng)意應用：基于3D軌跡的控制，拓展了視頻合成的創(chuàng)意應用潛力。
• 簡化用戶輸入流程：用戶可以通過簡單的2D圖像繪制和深度調(diào)整輕松輸入3D軌跡，降低了技術門檻。
• 自動提取深度信息和物體掩碼：系統(tǒng)能夠自動從圖像中提取深度信息和物體掩碼，減少用戶操作的復雜性。
• 交互式軌跡繪制：用戶可交互式地繪制物體軌跡，系統(tǒng)將這些輸入轉換為3D路徑。

LeviTor的技術原理

• K-means聚類：對視頻對象掩碼的像素進行K-means聚類，提取出一組代表性的控制點。
• 深度信息融合：通過深度估計網(wǎng)絡DepthAnythingV2預測相對深度圖，并在每個控制點采樣深度，增強控制點的深度信息。
• 控制信號構建：結合2D坐標與估計的深度值，構建控制軌跡，這些軌跡作為視頻擴散模型的控制信號。
• 視頻擴散模型：將控制信號輸入視頻擴散模型中，生成與3D軌跡對齊的視頻內(nèi)容。
• 用戶友好的推理流程：設計了用戶友好的交互系統(tǒng)，用戶可通過簡單的點擊和深度值調(diào)整輸入3D軌跡。

LeviTor的項目地址

• 項目官網(wǎng)：ppetrichor.github.io/levitor
• GitHub倉庫：https://github.com/qiuyu96/LeviTor
• HuggingFace模型庫：https://huggingface.co/hlwang06/LeviTor
• arXiv技術論文：https://arxiv.org/pdf/2412.15214

LeviTor的應用場景

• 電影特效制作：生成真實感十足的特效場景，降低實地拍攝的成本，提高制作效率。
• 游戲動畫生成：在游戲開發(fā)中創(chuàng)造動態(tài)的背景和角色動畫，增強玩家的沉浸感。
• 虛擬現(xiàn)實體驗：在VR應用中合成真實的虛擬環(huán)境，為用戶提供更為真實的沉浸式體驗。
• 增強現(xiàn)實展示：在AR領域將虛擬信息與現(xiàn)實世界無縫結合，適用于教育、導航等多個場景。
• 廣告視頻制作：制作引人注目的動態(tài)廣告視頻，吸引觀眾注意力，提升品牌形象與產(chǎn)品吸引力。