上一篇
HoloDrive是什么？一文让你看懂HoloDrive的技术原理、主要功能、应用场景
Perception-as-Control是什么？一文让你看懂Perception-as-Control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
Perception-as-Control概述简介
Perception-as-Control是阿里巴巴通义实验室推出的图像动画框架，能根据用户意图实现细粒度的运动控制。Perception-as-Control基于构建3D感知运动表示，将相机和物体运动转化为直观、一致的视觉变化，用感知结果作为运动控制信号，支持多种与运动相关的视频合成任务。Perception-as-Control框架基于U-Net架构的扩散模型，结合参考图像的外观信息和运动控制信号的运动信息，生成可控的图像动画。Perception-as-Control推出三阶段训练策略，平衡相机和物体运动控制，促进细粒度运动控制，在多种应用场景中展现出优越的性能。
Perception-as-Control的功能特色
细粒度协同运动控制：实现相机和物体运动的协同控制，支持用户用细粒度的方式控制动画中的各个元素。让用户精确地调整场景中物体的运动及相机的视角变化。
多种运动相关视频合成任务：支持多种与运动相关的视频合成任务，包括基于图像的运动生成、基于视频的运动克隆、运动转移和运动编辑。
运动生成：根据用户输入的参考图像和2D轨迹生成动画。
运动克隆：模仿源视频中的相机和物体运动。
运动转移：将源视频中的局部运动转移到参考图像中的不同位置和尺度的对象上。
运动编辑：用户提供分割掩码，编辑分割掩码内的运动。
3D感知运动表示：基于构建3D感知运动表示，将复杂的3D场景简化为关键对象部分（用单位球表示）和世界包络，实现直观且一致的视觉变化。
Perception-as-Control的技术原理
3D感知运动表示：将3D场景简化为关键对象部分（用单位球表示）和世界包络，基于3D点跟踪和视觉里程计技术捕捉局部物体运动和全局相机运动。
网络架构：基于去噪U-Net架构，用两个轻量级编码器分别编码相机和物体控制信号，避免RGB级别的干扰，融合模块合并编码信号。
参考图像注入：ReferenceNet将参考图像的外观信息注入到生成过程中，确保生成的视频保持参考图像的特定外观。
三阶段训练策略：
第一阶段：仅训练相机编码器，处理仅含相机运动的视频剪辑。
第二阶段：加入物体编码器和融合模块，处理包含相机和物体运动的视频剪辑。
第三阶段：基于稀疏单位球实现细粒度物体运动控制，自适应确定每个渲染点的控制范围。
扩散模型：用图像扩散概率模型的基本原理，使用去噪U-Net架构生成视频，优化目标是最小化预测噪声与实际噪声之间的差异，条件输入包括参考图像和运动控制信号。
Perception-as-Control项目介绍
项目官网：https://chen-yingjie.github.io/projects/Perception-as-Control/
GitHub仓库：https://github.com/chen-yingjie/Perception-as-Control
arXiv技术论文：https://arxiv.org/pdf/2501.05020
Perception-as-Control能做什么？
电影和视频特效：生成具有特定运动的动画场景，模仿现有视频中的复杂运动，或将一个角色的运动转移到另一个角色上。
游戏开发：为游戏角色和物体生成自然且可控的动画，提升游戏的沉浸感和动态效果。
虚拟现实（VR）和增强现实（AR）：在VR环境中生成实时动画反馈，增强用户互动体验；在AR应用中将虚拟物体动画与现实场景融合。
广告和营销：生成吸引人的动态广告和品牌推广动画，提升品牌形象和记忆点。
教育和培训：生成科学实验动画和技能培训模拟动画，帮助学生和学员更好地理解和掌握知识和技能。
© 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
-
MoMask是什么？一文让你看懂MoMask的技术原理、主要功能、应用场景2025-04-05 -
TryOffAnyone是什么？一文让你看懂TryOffAnyone的技术原理、主要功能、应用场景2025-04-05
-
GraphAgent是什么？一文让你看懂GraphAgent的技术原理、主要功能、应用场景2025-04-05
-
Qwen2.5-VL-32B是什么？一文让你看懂Qwen2.5-VL-32B的技术原理、主要功能、应用场景2025-04-05
-
DoraCycle是什么？一文让你看懂DoraCycle的技术原理、主要功能、应用场景2025-04-05
-
MLE-Agent是什么？一文让你看懂MLE-Agent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
socialsonic
通过社交人士 - 您的AI个人品牌教练最大化您的LinkedIn影响力。创建引人注目的内容，战略性地参与并在一个地方跟踪成功。从一开始就保持趋势并提升...
nsfwgirlfriend
NSFWGirlFriend提出了一种创新的方法来制定您的AI合作伙伴。设计和个性化虚拟女友的外观，特质和动态，所有这些都是由人工智能驱动的。只需单击...
verbatik
verbatikai驱动的文本以5个点击中的语音生成，将文本转换为自然听起来的语音，并以mp3和wav音频文件下载。Verbatik使用AI语音生成器...
make
Make是一个易于使用的平台，用于创建自定义自动化工作流。通过拖放接口和实时优化反馈，您可以快速构建，测试和优化工作流以优化过程。利用准确反映您的工作...
growth channel
增长渠道为成功的广告活动提供了全面的营销食谱，为企业提供了改善对任何渠道的受众群体的工具。增长频道AI支持的解决方案使您能够识别有意图的受众，因此您可...
pipedrive
Pipedrive是由AI驱动的CRM平台和管道管理解决方案，由销售人员设计，用于销售人员。它使企业可以通过可自定义的报告，活动跟踪和自动提醒等功能来...
mindmap
MindMap是一种Web应用程序，它使用AI从文本输入中创建视觉思维图。借助这种强大的工具，学生，研究人员和知识者可以获得更好的见解，更快的理解和提...
deepnudes co
在deepnudes.co上，我们重新定义了人工智能和数字图像处理的界限，为您提供最先进的服务，以将常规照片转换为有品位的AI裸体。...
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。
