UniAnimate 框架首先将参考图像、姿势指导和噪声视频映射到特征空间中，然后利用统一的视频扩散模型（Unified Video Diffusion Model）同时处理参考图像与视频主干分支表观对齐和视频去噪任务，实现高效特征对齐和连贯的视频生成。其次，研究团队还提出了一种统一的噪声输入，其支持随机噪声输入和基于第一帧的条件噪声输入，随机噪声输入可以配合参考图像和姿态序列生成一段视频，而基于第一帧的条件噪声输入（First Frame Conditioning）则以视频第一帧作为条件输入延续生成后续的视频。通过这种方式，推理时可以通过把前一个视频片段（segment）的最后一帧当作后一个片段的第一帧来进行生成，并以此类推在一个框架中实现长视频生成。最后，为了进一步高效处理长序列，研究团队探索了基于状态空间模型（Mamba）的时间建模架构，作为原始的计算密集型时序 Transformer 的一种替代。实验发现基于时序 Mamba 的架构可以取得和时序 Transformer 类似的效果，但是需要的显存开销更小。通过 UniAnimate 框架，用户可以生成高质量的时序连续人类跳舞视频。值得一提的是，通过多次使用 First Frame Conditioning 策略，可以生成持续一分钟的高清视频。与传统方法相比，UniAnimate 具有以下优势：无需额外的参考网络：UniAnimate 框架通过统一的视频扩散模型，消除了对额外参考网络的依赖，降低了训练难度和模型参数的数量。引入了参考图像的姿态图作为额外的参考条件，促进网络学习参考姿态和目标姿态之间的对应关系，实现良好的表观对齐。统一框架内生成长序列视频：通过增加统一的噪声输入，UniAnimate 能够在一个框架内生成长时间的视频，不再受到传统方法的时间限制。具备高度一致性：UniAnimate 框架通过迭代利用第一帧作为条件生成后续帧的策略，保证了生成视频的平滑过渡效果，使得视频在外观上更加一致和连贯。这一策略也使得用户可以生成多个视频片段，并选取生成结果好的片段的最后一帧作为下一个生成片段的第一帧，方便了用户与模型交互和按需调整生成结果。而利用之前时序重合的滑动窗口策略生成长视频，则无法进行分段选择，因为每一段视频在每一步扩散过程中都相互耦合。以上这些特点使得 UniAnimate 框架在合成高质量、长时间的人类跳舞视频方面表现出色，为实现更广泛的应用提供了新的可能性。生成结果示例1. 基于合成图片进行跳舞视频生成。2. 基于真实图片进行跳舞视频生成。3. 基于粘土风格图片进行跳舞视频生成。4. 马斯克跳舞。5. Yann LeCun 跳舞。6. 基于其他跨域图片进行跳舞视频生成。7. 一分钟跳舞视频生成。获取原始 MP4 视频和更多高清视频示例请参考论文的项目主页 https://unianimate.github.io/。实验对比分析1. 和现有方法在 TikTok 数据集上的定量对比实验。如上表所示，UniAnimate 方法在图片指标如 L1、PSNR、SSIM、LPIPS 上和视频指标 FVD 上都取得了最好的结果，说明了 UniAnimate 可以生成高保真的结果。2. 和现有方法的定性对比实验。从上述定性对比实验也可以看出，相比于 MagicAnimate、Animate Anyone, UniAnimate 方法可以生成更好的连续结果，没有出现明显的 artifacts，表明了 UniAnimate 的有效性。3. 剥离实验。从上表的数值结果可以看出，UniAnimate 中用到的参考姿态和统一视频扩散模型对性能提升起到了很关键的作用。4. 长视频生成策略对比。从上图可以看出之前常用的时序重合滑动窗口策略生成长视频容易导致不连续的过渡，研究团队认为这是因为不同窗口在时序重合部分去噪难度不一致，使得生成结果不同，而直接平均会导致有明显的变形或者扭曲等情况发生，并且这种不一致会进行错误传播。而本文利用的首帧视频延续生成方法则可以生成平滑的过渡。