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
Zonos-v0.1
Zonos-v0.1 是 Zyphra 团队开发的实时文本转语音（TTS）模型，具备高保真语音克隆功能。该模型包含一个 1.6B 参数的 Transf...
GuessAI
猜猜AI是一款结合艺术和科技的移动游戏。你能分辨出人工制作的绘画和由AI生成的绘画吗？就像使用Tinder应用一样简单。玩起来既轻松又有趣：\n\n-...
AI Hear
AI Hear是一款在电脑本地运行的私有软件，它通过一键开启多语种实时翻译功能，帮助用户管理音频、译文和时间轴。产品不收集数据，保护用户隐私。它适用于...
infra.new
Infra.new 是一款面向云开发运维的AI辅助工具，通过实时成本分析、配置优化和基础设施代码生成等功能，帮助用户高效管理云基础设施。它支持多种云平...
wevideo
Wevideo是用于学校，企业和企业家的领先的在线视频编辑平台。易于使用的工具可让您创建具有专业结果的惊人多媒体项目。立即开始免费使用＃1视频编辑器！...
Speek
Speek是一款AI驱动的助手，通过语音和动画鼠标指针指导用户在网站上的操作，帮助解答问题、引导用户了解网站功能，并简化购买决策。它通过提供实时帮助，...
HuatuoGPT-o1-8B
HuatuoGPT-o1-8B 是一个专为高级医疗推理设计的医疗领域大型语言模型（LLM）。它在提供最终响应之前会生成一个复杂的思考过程，反映并完善其...
Chopcast
chopcast是一个内容再利用平台，通过使用OpenAI的GPT技术，自动识别关键时刻，设计为适合分享的YouTube Shorts、Reels、T...
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。
