Hallo3概述简介

Hallo3是复旦大学和百度公司联合推出的，基于扩散变换器网络（Diffusion Transformer Networks）的肖像图像动画技术，能生成高度动态和逼真的视频。Hallo3基于预训练的变换器视频生成模型，有效解决现有方法在处理非正面视角、动态对象渲染和生成沉浸式背景方面的挑战。Hallo3基于新的视频骨干网络，设计身份参考网络确保视频序列中面部身份的一致性，研究了语音音频条件和运动帧机制，实现由语音音频驱动的连续视频生成。实验表明，Hallo3在生成具有多种方向的逼真肖像方面表现出色，能适应复杂姿势和动态场景，产生逼真且平滑的动画效果。

Hallo3的功能特色

多视角动画生成：从不同的视角（如正面、侧面、 overhead 或低角度）生成动画肖像，突破传统方法主要依赖正面视角的限制。

动态对象渲染：处理肖像周围动态对象的动画，如人物手持智能手机、麦克风或佩戴紧密贴合的物品，生成对象在视频序列中的真实运动。

沉浸式背景生成：生成具有动态效果的背景，如前景中的篝火或背景中的拥挤街道场景，增强视频的真实感和沉浸感。

身份一致性保持：在整个视频序列中保持肖像的身份一致性，在长时间的动画中也能准确地识别和保持人物的面部特征。

语音驱动的动画：基于语音音频驱动肖像的面部表情和嘴唇动作，实现高度同步的语音和面部动画，让动画更加自然和逼真。

Hallo3的技术原理

预训练的变换器视频生成模型：

基础架构：CogVideoX模型作为基础架构，用3D变分自编码器（VAE）对视频数据进行压缩。模型将潜在变量与文本嵌入相结合，基于专家变换器网络进行处理。

条件机制：引入三种条件机制：文本提示（ctext）、语音音频条件（caudio）和身份外观条件（cid）。主要用交叉注意力（cross-attention）和自适应层归一化（adaLN）整合这些条件信息。

身份参考网络：

3D VAE和变换器层：用因果3D VAE结合42层变换器层的身份参考网络，从参考图像中提取身份特征，嵌入到去噪潜在代码中，基于自注意力机制增强模型对身份信息的表示和长期保持。

特征融合：将参考网络生成的视觉特征与去噪网络的特征进行融合，确保生成的面部动画在长时间序列中保持一致性和连贯性。

语音音频条件：

音频嵌入：wav2vec框架提取音频特征，生成帧特定的音频嵌入，基于线性变换层将音频嵌入转换为适合模型的表示。

交叉注意力机制：在去噪网络中，交叉注意力机制将音频嵌入与潜在编码进行交互，增强生成输出的相干性和相关性，确保模型有效地捕捉驱动角色生成的音频信号。

视频外推：引入运动帧作为条件信息。将生成视频的最后几帧作为后续片段生成的输入，用3D VAE处理运动帧，生成新的潜在代码，实现时间一致的长视频推理。

训练和推理：

训练过程：分为两个阶段。第一阶段训练模型生成具有身份一致性的视频；第二阶段扩展到音频驱动的视频生成，整合音频注意力模块。

推理过程：模型接收参考图像、驱动音频、文本提示和运动帧作为输入，生成具有身份一致性和嘴唇同步的视频。

Hallo3项目介绍

项目官网：https://fudan-generative-vision.github.io/hallo3

GitHub仓库：https://github.com/fudan-generative-vision/hallo3

HuggingFace模型库：https://huggingface.co/fudan-generative-ai/hallo3

arXiv技术论文：https://arxiv.org/pdf/2412.00733

Hallo3能做什么？

游戏开发：为游戏中的角色生成动态的肖像动画，使角色在游戏中的表现更加自然和逼真，提升玩家的游戏体验。

电影制作：生成逼真的角色动画，提升电影和动画的视觉效果和沉浸感。

社交媒体：为社交媒体用户生成动态头像，使用户的个人资料更加生动有趣，提升用户在社交媒体上的个性化体验。

在线教育：生成虚拟讲师的动画，让在线课程更加生动和有趣，提高学生的学习兴趣和参与度。

虚拟现实和增强现实：在VR和AR应用中生成虚拟角色，提供更加逼真的交互体验，增强用户的沉浸感和参与感。