中科院联合电信发布MTVCrafter！超强人像动画生成框架来袭

由中国科学院与中国电信联合研发的MTVCrafter人像动画生成框架横空出世！该框架通过创新的4D运动标记化（4DMoT）技术和运动感知视频扩散Transformer（MV-DiT），直接从3D运动数据生成高质量、高泛化性的人体动画视频，突破了传统方法的局限。MTVCrafter在TikTok基准测试中表现卓越，其FID-VID得分大幅领先，展现出强大的动画生成能力，能够适应单人、多人以及全身、局部等多种运动场景，并兼容卡通、写实等多种艺术风格。该技术在虚拟人物创建、虚拟试衣间、增强现实体验、电影后期制作以及社交平台创意工具等领域具有广阔的应用前景。项目已开源，详见GitHub链接，学术论文同步发布。

MTVCrafter 是由中国科学院深圳先进技术研究院计算机视觉与模式识别实验室、中国电信人工智能研究所等多个研究机构共同开发的一款创新的人体图像动画框架，专注于从原始3D运动序列生成高质量动画。该框架通过引入4D运动标记化（4DMoT）技术，直接对3D运动数据进行建模，从而绕过了传统方法中依赖2D渲染姿态图像的限制。此外，MTVCrafter 还采用了运动感知视频扩散Transformer（MV-DiT），利用独特的4D运动注意力机制和位置编码，以4D运动标记作为动画生成的上下文信息。在 TikTok 基准测试中，MTVCrafter 的 FID-VID 得分为6.98，较第二名提升了65%，显示了其卓越的泛化性能和稳定性。

MTVCrafter 的核心功能

• 高质量动画生成：能够直接处理3D运动序列，生成高度逼真、流畅且自然的人体动画视频。
• 广泛的泛化能力：不仅限于已知运动类型，还能适应全新的运动场景及不同角色设定，包括单人与多人、全身与局部动画，并兼容多种艺术风格（如卡通、像素风、水墨画以及写实风格）。
• 精准的运动调控：借助4D运动标记化与运动注意力机制，确保每一帧动画都符合预期，保持动作连贯性和准确性。
• 身份特征保留：在生成过程中始终保持源图像的身份特性，防止出现身份漂移或失真现象。

技术实现细节

• 4D运动标记化器（4DMoT）：采用编码器-解码器架构，结合2D卷积神经网络和残差模块来捕捉时间和空间上的变化，同时运用向量量化器将连续运动特征转换成离散化的标记形式，这些标记统一存储以便后续使用。
• 运动感知视频扩散Transformer（MV-DiT）：构建了一种专门针对4D运动数据设计的注意力模型，它能将运动标记与视觉元素相结合，通过4D旋转位置编码恢复丢失的空间时间关联。此外，还引入了分类器自由引导策略，结合无条件和有条件生成的学习结果，进一步优化输出质量并扩大适用范围。最后，采用简单的重复拼接方法整合参考图片与噪声视频潜在变量，保证最终成品的身份一致性。

获取途径

• GitHub链接：http://github.com/DINGYANB/MTVCrafter
• 学术论文链接：http://arxiv.org/pdf/2505.10238

实际应用领域

• 虚拟人物创建：可用于打造虚拟主持人、客户服务代表或者明星偶像等数字形象。
• 虚拟试衣间：结合顾客的真实照片与服饰设计，提供动态试穿体验，改善线上购物感受。
• 增强现实体验：为VR/AR平台生成与用户互动相符的虚拟角色动画，营造更真实的交互环境。
• 电影后期制作：加速高品质角色动画生产流程，减少成本投入，提高视觉效果。
• 社交平台创意工具：允许用户将自己的头像融入到各种动作片段中，激发更多有趣的内容创作灵感。

今天带大家了解了的相关知识，希望对你有所帮助；关于科技周边的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~