上一篇
Open-Sora是什么？一文让你看懂Open-Sora的技术原理、主要功能、应用场景
VLOGGER是什么？一文让你看懂VLOGGER的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
VLOGGER概述简介
VLOGGER AI是谷歌的研究团队开发的一个多模态扩散模型，专门用于从单一输入图像和音频样本生成逼真的、连贯的人像动态视频。该模型的主要功能在于使用人工智能模型，将一张静态图片转换成一个动态的视频角色，同时保持照片中人物的逼真外观。此外，VLOGGER还能够根据音频来控制人物动作，不仅仅是面部动作和嘴唇同步，还包括头部运动、目光、眨眼以及上身和手部手势，从而将音频驱动的视频合成推向了一个新的高度。
VLOGGER的官网入口
官方项目主页：https://enriccorona.github.io/vlogger/
arXiv研究论文：https://arxiv.org/abs/2403.08764v1
VLOGGER的功能特性
图像和音频驱动的视频生成： VLOGGER能够根据单张人物图像和相应的音频输入生成说话人类的视频。用户只需提供一张图片和一段音频，VLOGGER将生成一个视频中的人物，其面部表情、嘴唇动作和身体语言与音频同步。
多样性和真实性： VLOGGER生成的视频具有高度的多样性，能够展示原始主体的不同动作和表情，同时保持背景的一致性和视频的真实性。
视频编辑： VLOGGER可以用于编辑现有视频，例如改变视频中人物的表情，使其与原始视频的未改变像素保持一致。
生成移动和说话的人物： VLOGGER可以从单张输入图像和驱动音频生成说话面部的视频，即使没有视频中人物的原始视频资料。
视频翻译： VLOGGER能够将一种语言的视频转换为另一种语言的视频，通过编辑唇部和面部区域以匹配新的音频，实现跨语言的视频内容适配。
VLOGGER的工作原理
VLOGGER的工作原理主要基于一个两阶段的流程，结合了音频驱动的运动生成和时间连贯的视频生成。
第一阶段：音频驱动的运动生成
音频处理：VLOGGER首先接收一段音频输入，这可以是语音或音乐。如果输入是文本，它也会通过文本到语音（TTS）模型转换为音频波形。
3D运动预测：接着，系统使用一个基于变换器（Transformer）架构的网络来处理音频输入。这个网络被训练来预测与音频同步的3D面部表情和身体姿势。网络使用多步注意力层来捕捉音频的时间特征，并生成一系列的3D姿势参数。
生成控制表示：网络输出的是一系列预测的面部表情（θe i）和身体姿势的残差（∆θb i）。这些参数随后用于生成控制视频生成过程的2D表示。
第二阶段：时间连贯的视频生成
视频生成模型：VLOGGER的第二个阶段是一个时间扩散模型，它接收第一阶段生成的3D运动控制和一张参考图像（即输入的单一人物图像）。
条件化视频生成：视频生成模型是一个基于扩散的图像到图像翻译模型，它利用预测的2D控制来生成一系列帧，这些帧按照输入的音频和3D运动参数进行动画处理。
超分辨率：为了提高视频质量，VLOGGER还包括一个超分辨率扩散模型，它将基础视频的分辨率从128×128提升到更高的分辨率，如256×256或512×512。
时间外延：VLOGGER使用时间外延（temporal outpainting）的技术来生成任意长度的视频。它首先生成一定数量的帧，然后基于前一帧的信息迭代地生成新的帧，从而扩展视频的长度。
数据集和训练
VLOGGER在名为MENTOR的大规模数据集（2200个小时和800000个身份）上进行训练，这是一个包含大量身份和动态手势的大规模数据集。训练过程中，模型学习如何根据3D姿势参数和输入图像生成连贯的、高质量的视频序列。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
mahilo
Mahilo是一个强大的AI代理集成平台，旨在将来自不同框架的AI代理连接在一起，实现实时通信和人类监督。它通过提供框架无关的通信协议，支持多种流行的...
Adobe Project Music GenAI Control
Adobe Research开发的Project Music GenAI Control是一个实验性的AI音乐生成和编辑工具，它允许创作者通过文本提示...
Midjourney Prompt Generator
Midjourney Prompt Generator是一个Web应用程序，可以从文本输入和各种选项生成Midjourney提示。用户可以根据需要输入...
SocialMate
SocialMate是一款功能强大的Facebook和Instagram自动化平台。它提供了许多功能，包括自动回复评论、聊天机器人、电子商务和更多。S...
Cols.ai
Cols.ai 的 AI Phone Calling Platform 是一款旨在实现无缝人类语音通信的AI产品。它能够与电话系统连接，处理呼入电话，...
Tana
Tana 是一款基于 AI 的知识管理和生产力工具，旨在通过智能标签、语音备忘录等功能，帮助用户将笔记转化为任务、项目或其他形式的内容。它强调灵活性和...
免费AI绘画提示词聚合工具
免费AI绘画提示词聚合工具是一个为艺术家和设计师提供灵感的平台，它聚合了适用于多个AI绘画平台的提示词，帮助用户快速生成创意图像。该工具每天更新，确保...
gamma
Gamma是一种AI驱动的媒介，可创建现代，引人入胜的内容，没有格式或设计工作。它的智能AI技术可帮助您单击一个按钮快速生成演示，网页和文档。...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
