上一篇
PersonaMagic是什么？一文让你看懂PersonaMagic的技术原理、主要功能、应用场景
InstructMove是什么？一文让你看懂InstructMove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
InstructMove概述简介
InstructMove是东京大学和Adobe公司联合推出的基于指令的图像编辑模型，通过观察视频中的帧对变化学习如何根据指令进行图像操作。模型基于多模态大型语言大模型（MLLMs）生成描述帧对之间变化的编辑指令，训练出能在保持内容一致性的同时，执行复杂非刚性编辑任务的能力，如调整主体姿势、改变表情和视角等。InstructMove用真实视频帧作为数据源，确保编辑过程中内容的自然性和真实性，克服合成数据集在复杂编辑任务上的局限性。InstructMove支持基于掩码等控制机制进行精确的局部编辑，进一步增强在实际应用中的灵活性和实用性。
InstructMove的功能特色
非刚性编辑：能调整图像中主体的姿势、表情等非刚性特征，符合给定的编辑指令。
视角调整：根据指令改变图像的拍摄视角，如将相机视角向左或向右移动等，改变图像的构图和视觉效果。
元素重新排列：对图像中的元素进行重新排列或移动，如将玩具的腿放在一起、让鸟的尾巴可见等，满足特定的编辑需求。
精确局部编辑：与掩码等控制机制的结合，支持对图像的特定区域进行精确的局部编辑，实现更细致的修改效果。
InstructMove的技术原理
数据集构建
视频帧采样：从互联网视频中采样帧对，确保帧对之间存在有意义的变换，如主体姿势变化、元素移动或相机视角调整等，获取到大量自然且真实的图像变换样本。
多模态语言大模型生成指令：用多模态大型语言大模型（MLLMs），如GPT-4o或Pixtral-12B，分析采样得到的帧对之间的差异，生成准确的编辑指令。
模型架构与训练
预训练模型微调：在构建的数据集上微调预训练的文本到图像（T2I）模型，如Stable Diffusion。
空间条件策略：引入空间条件策略，将参考图像与噪声输入沿空间维度进行拼接，而不是传统的通道拼接。
去噪网络训练：将拼接后的输入送入去噪U-Net网络，预测噪声图。给予计算预测噪声图与原始噪声图之间的差异，优化模型参数，准确地根据编辑指令对目标图像进行去噪和重建，实现图像编辑。
控制机制集成
掩码引导：支持与掩码等控制机制的集成，实现精确的局部编辑。在推理阶段，用掩码控制编辑区域，将更新后的潜在表示与参考潜在表示进行融合，对图像的特定部分进行修改。
其他空间控制：与ControlNet等可控扩散模型集成，接受用户提供的额外视觉线索，如草图或骨架关键点等，实现更复杂和精确的图像编辑操作。
InstructMove项目介绍
项目官网：ljzycmd.github.io/projects/InstructMove
arXiv技术论文：https://arxiv.org/pdf/2412.12087v1
InstructMove能做什么？
影视后期制作：特效师调整科幻电影中外星生物角色的表情，让其更符合剧情要求的愤怒情绪。
广告创意设计：设计师用为汽车广告调整赛车视角和背景元素，突出新车型的速度与激情特点，吸引消费者注意。
室内设计：室内设计师调整卧室床头柜位置和窗帘样式，满足客户对美观和实用性的需求，营造温馨舒适的睡眠环境。
艺术教育：老师在绘画课上调整人物动作，帮助学生理解动作与情感的关系，加深对艺术创作的理解。
个人照片编辑：个人用户调整聚会照片中的表情，使其更自然轻松，分享到社交平台，获得朋友点赞好评。
© 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
gocharlie
Gocharlie是任何营销人员的理想助手。它仅在一键单击中创建具有超过1,500个单词的博客文章，引人入胜的社交媒体广告和字幕，令人惊叹的4K，垂直...
EchoFox
EchoFox是一个支持网站的AI机器人，结合人工智能和人工客服，为用户提供最佳的客户体验。通过AI分析客户行为、自动化任务、解决更多问题，从而增加每...
remimic
毫不费力地创建具有重视的高质量个性化视频。这种尖端的DeepFake AI和语音生成技术可以轻松地进行面部和语音交换，非常适合希望在Tiktok和In...
Octave TTS
Octave TTS 是由 Hume AI 开发的下一代语音合成模型，它不仅能够将文本转换为语音，还能理解文本的语义和情感，从而生成富有表现力的语音输...
MinusX
MinusX是一个Chrome浏览器插件，旨在通过人工智能技术帮助用户在现有的数据分析工具中快速获得数据洞察。它支持Jupyter、Metabase、...
StellartAI
Stellar Art是一款AI驱动的创意艺术生成平台，通过强大的AI图像生成器，将想法转化为令人惊叹的视觉作品。平台提供超过30个先进模型，以简单的...
GitHub Copilot Free
GitHub Copilot for VS Code是一个集成在Visual Studio Code中的人工智能编程助手，它通过使用先进的机器学习模型...
Formula Bot
Formula Bot是一个AI驱动的Excel公式生成、数据准备和数据分析工具。它结合了公式生成、数据准备和数据分析等功能于一体。主要功能包括:基于...
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。
