【AI MuseV】腾讯推出无限长度和高保真虚拟人视频生成框架

MuseV：基于视觉条件并行去噪的无限长度和高保真虚拟人视频生成。Zhiqiang Xia , Zhaokang Chen, Bin Wu†, Chao Li, Kwok-Wai Hung, Chao Zhan, Yingjie He, Wenjiang Zhou (*co-first author, †Corresponding Author, benbinwu@tencent.com)

github huggingface [项目]（即将推出）技术报告（即将推出）

自从 2023 年 3 月以来，我们已经建立了世界模拟器视觉，相信扩散模型可以模拟世界。MuseV 是在 2023 年 7 月左右实现的一个里程碑。受到 Sora 进展的启发，我们决定开源 MuseV，希望它能造福社区。接下来，我们将转向有前景的扩散+变换器方案。

我们即将发布 MuseTalk，一个实时高质量的唇同步模型，可与 MuseV 一起作为完整的虚拟人生成解决方案。请保持关注！

概述

MuseV 是基于扩散的虚拟人视频生成框架，具有以下特点：

支持使用新颖的视觉条件并行去噪方案进行无限长度生成。
提供了用于虚拟人视频生成的检查点，这些检查点是在人类数据集上训练的。
支持图像到视频、文本到图像到视频、视频到视频的生成。
兼容 Stable Diffusion 生态系统，包括 base_model、lora、controlnet 等。
支持多参考图像技术，包括 IPAdapter、ReferenceOnly、ReferenceNet、IPAdapterFaceID。
训练代码（即将推出）。
新闻
- [2024年3月27日] 发布 MuseV 项目和训练好的模型 musev、muse_referencenet。
  模型
  模型结构概述
  $【AI MuseV】腾讯推出无限长度和高保真虚拟人视频生成框架,模型结构,词库加载错误:未能找到文件“C:\Users\Administrator\Desktop\火车头9.8破解版\Configuration\Dict_Stopwords.txt”。,没有,安装,li,第1张$
  并行去噪
  $【AI MuseV】腾讯推出无限长度和高保真虚拟人视频生成框架,并行去噪,词库加载错误:未能找到文件“C:\Users\Administrator\Desktop\火车头9.8破解版\Configuration\Dict_Stopwords.txt”。,没有,安装,li,第2张$
  案例
  所有帧都是直接从 text2video 模型生成的，没有经过任何后处理。
  以下示例可以在 configs/tasks/example.yaml 中访问。
  文本/图像到视频
  人类
  预览点这里
  场景
  预览点这里
  视频中间到视频
  pose2video在 duffy 模式下，视觉条件帧的姿势与控制视频的第一帧不对齐。posealign 将解决这个问题。
  预览点这里
  MuseTalk
  对话角色孙昕荧是腾讯音乐娱乐的合作伙伴，可以在抖音上关注。
  预览点这里
  待办事项：
  技术报告（即将推出）。
  训练代码。
  发布预训练的 UNet 模型，该模型使用 controlnet、referencenet、IPAdapter 进行训练，在 pose2video 方面效果更好。
  支持扩散变换生成框架。
  发布 posealign 模块。
  快速入门
  准备 Python 环境并安装额外的包，如 diffusers、controlnet_aux、mmcm。
  准备环境
  建议您主要使用 docker 来准备 Python 环境。
  准备 Python 环境
  注意：我们只测试了 Docker，使用 conda 或其他环境可能会遇到问题。我们将尽力解决。请使用 docker。
  方法 1：使用 Docker
  拉取 Docker 镜像
  docker pull anchorxia/musev:latest
  
  运行 Docker 容器
  docker run --gpus all -it --entrypoint /bin/bash anchorxia/musev:latest
  
  默认的 conda 环境是 musev。
  方法 2：使用 conda
  从 environment.yaml 创建 conda 环境
  
  conda env create --name musev --file ./environment.yml
  
  方法 3：使用 pip requirements
  
  pip install -r requirements.txt
  
  准备 mmlab 包
  如果不使用 Docker，还需要额外安装 mmlab 包。
  
  pip install --no-cache-dir -U openmim mim install mmengine mim install "mmcv>=2.0.1" mim install "mmdet>=3.1.0" mim install "mmpose>=1.1.0"
  
  准备自定义包 / 修改后的包
  克隆
  
  git clone --recursive https://github.com/TMElyralab/MuseV.git
  
  准备 PYTHONPATH
  
  current_dir=$(pwd) export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/MMCM export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/diffusers/src export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/controlnet_aux/src cd MuseV
  
  MMCM：多媒体、跨模态处理包。
  diffusers：基于 diffusers 修改的 diffusers 包。
  controlnet_aux：基于 controlnet_aux 修改的包。
  下载模型
  
  git clone https://huggingface.co/TMElyralab/MuseV ./checkpoints
  
  motion：text2video 模型，使用微小的 ucf101 和微小的 webvid 数据集进行训练，约 60K 个视频文本对。GPU 内存消耗测试在 resolution = 512 ∗ 512 =512*512 =512∗512，time_size=12。
  musev/unet：仅包含并训练 unet 运动模块。GPU 内存消耗 ≈ 8 G \approx 8G ≈8G。
  musev_referencenet：训练 unet 模块、referencenet、IPAdapter。GPU 内存消耗 ≈ 12 G \approx 12G ≈12G。
  unet：motion 模块，具有 Attention 层中的 to_k、to_v，参考 IPAdapter。
  referencenet：类似于 AnimateAnyone。
  ip_adapter_image_proj.bin：图像剪辑 emb 项目层，参考 IPAdapter。
  musev_referencenet_pose：基于 musev_referencenet，固定 referencenet 和 controlnet_pose，训练 unet motion 和 IPAdapter。GPU 内存消耗 ≈ 12 G \approx 12G ≈12G。
  t2i/sd1.5：text2image 模型，在训练运动模块时参数被冻结。
  majicmixRealv6Fp16：示例，可以替换为其他 t2i 基础。从 majicmixRealv6Fp16 下载。
  IP-Adapter/models：从 IPAdapter 下载。
  image_encoder：视觉剪辑模型。
  ip-adapter_sd15.bin：原始 IPAdapter 模型检查点。
  ip-adapter-faceid_sd15.bin：原始 IPAdapter 模型检查点。
  推理
  准备模型路径
  当使用示例推断命令运行示例任务时，可以跳过此步骤。在配置文件中设置模型路径和缩写，以在推断脚本中使用缩写。
  T2I SD：参考 musev/configs/model/T2I_all_model.py
  运动 Unet：参考 musev/configs/model/motion_model.py
  任务：参考 musev/configs/tasks/example.yaml
  musev_referencenet
  文本到视频
  
  python scripts/inference/text2video.py --sd_model_name majicmixRealv6Fp16 --unet_model_name musev_referencenet --referencenet_model_name musev_referencenet --ip_adapter_model_name musev_referencenet -test_data_path ./configs/tasks/example.yaml --output_dir ./output --n_batch 1 --target_datas yongen --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder --time_size 12 --fps 12
  
  通用参数：
  test_data_path：yaml 扩展中的任务路径
  target_datas：sep 是 ,，如果 test_data_path 中的 name 在 target_datas 中，则对子任务进行抽样。
  sd_model_cfg_path：T2I sd 模型路径，模型配置路径或模型路径。
  sd_model_name：sd 模型名称，用于在 sd_model_cfg_path 中选择完整模型路径。使用 , 分隔的多个模型名称，或 all。
  unet_model_cfg_path：运动 unet 模型配置路径或模型路径。
  unet_model_name：unet 模型名称，用于获取 unet_model_cfg_path 中的模型路径，并在 musev/models/unet_loader.py 中初始化 unet 类实例。使用 , 分隔的多个模型名称，或 all。如果 unet_model_cfg_path 是模型路径，则 unet_name 必须在 musev/models/unet_loader.py 中支持。
  time_size：每个扩散去噪生成的帧数。默认为 12。
  n_batch：拍摄的生成数量， t o t a l _ f r a m e s = n _ b a t c h ∗ t i m e _ s i z e + n _ v i s c o n d total\_frames=n\_batch * time\_size + n\_viscond total_frames=n_batch∗time_size+n_viscond，默认为 1。
  context_frames：上下文帧数。如果 time_size > context_frame，则 time_size 窗口会分成多个子窗口进行并行去噪。默认为 12。
  要生成长视频，有两种方法：
  视觉条件并行去噪：设置 n_batch=1，time_size = 想要的所有帧。
  传统的端到端：设置 time_size = context_frames = 一拍的帧数 (12)，context_overlap = 0；
  模型参数：
  支持 referencenet、IPAdapter、IPAdapterFaceID、Facein。
  referencenet_model_name：referencenet 模型名称。
  ImageClipVisionFeatureExtractor：ImageEmbExtractor 名称，在 IPAdapter 中使用的提取视觉剪辑 emb。
  vision_clip_model_path：ImageClipVisionFeatureExtractor 模型路径。
  ip_adapter_model_name：来自 IPAdapter 的，它是 ImagePromptEmbProj，与 ImageEmbExtractor 一起使用。
  ip_adapter_face_model_name：IPAdapterFaceID，来自 IPAdapter，用于保留 faceid，应该设置 face_image_path。
  一些影响运动范围和生成结果的参数：
  video_guidance_scale：类似于 text2image，控制 cond 和 uncond 之间的影响，默认为 3.5。
  guidance_scale：在第一帧图像中 cond 和 uncond 之间的参数比例，默认为 3.5。
  use_condition_image：是否使用给定的第一帧进行视频生成。
  redraw_condition_image：是否重新绘制给定的第一帧图像。
  video_negative_prompt：配置文件中全 negative_prompt 的缩写。默认为 V2。
  视频到视频
  
  python scripts/inference/video2video.py --sd_model_name majicmixRealv6Fp16 --unet_model_name musev_referencenet --referencenet_model_name musev_referencenet --ip_adapter_model_name musev_referencenet -test_data_path ./configs/tasks/example.yaml --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder --output_dir ./output --n_batch 1 --controlnet_name dwpose_body_hand --which2video "video_middle" --target_datas dacne1 --fps 12 --time_size 12
  
  导入参数
  大多数参数与 musev_text2video 相同。video2video 的特殊参数有：
  需要在 test_data 中设置 video_path。现在支持 rgb video 和 controlnet_middle_video。
  which2video：rgb 视频是否影响初始噪声，比控制网络条件更强烈。如果为 True，则重新绘制视频。
  controlnet_name：是否使用 controlnet condition，例如 dwpose,depth。
  video_is_middle：video_path 是 rgb video 还是 controlnet_middle_video。可以为 test_data_path 中的每个 test_data 设置。
  video_has_condition：condtion_images 是否与 video_path 的第一帧对齐。如果不是，则首先生成 condition_images，然后与拼接对齐。设置在 test_data 中。
  所有 controlnet_names 参考 mmcm
  
  ['pose', 'pose_body', 'pose_hand', 'pose_face', 'pose_hand_body', 'pose_hand_face', 'dwpose', 'dwpose_face', 'dwpose_hand', 'dwpose_body', 'dwpose_body_hand', 'canny', 'tile', 'hed', 'hed_scribble', 'depth', 'pidi', 'normal_bae', 'lineart', 'lineart_anime', 'zoe', 'sam', 'mobile_sam', 'leres', 'content', 'face_detector']
  
  musev_referencenet_pose
  仅用于 pose2video
  基于 musev_referencenet，修复 referencenet、pose-controlnet 和 T2I，训练 motion 模块和 IPAdapter。
  
  python scripts/inference/video2video.py --sd_model_name majicmixRealv6Fp16 --unet_model_name musev_referencenet --referencenet_model_name musev_referencenet --ip_adapter_model_name musev_referencenet -test_data_path ./configs/tasks/example.yaml --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder --output_dir ./output --n_batch 1 --controlnet_name dwpose_body_hand --which2video "video_middle" --target_datas dacne1 --fps 12 --time_size 12
  
  musev
  仅有动作模块，没有 referencenet，需要更少的 GPU 内存。
  文本到视频
  
  python scripts/inference/text2video.py --sd_model_name majicmixRealv6Fp16 --unet_model_name musev -test_data_path ./configs/tasks/example.yaml --output_dir ./output --n_batch 1 --target_datas yongen --time_size 12 --fps 12
  
  视频到视频
  
  python scripts/inference/video2video.py --sd_model_name majicmixRealv6Fp16 --unet_model_name musev -test_data_path ./configs/tasks/example.yaml --output_dir ./output --n_batch 1 --controlnet_name dwpose_body_hand --which2video "video_middle" --target_datas dacne1 --fps 12 --time_size 12
  
  Gradio 演示
  MuseV 提供 gradio 脚本，可在本地机器上生成 GUI，方便生成视频。
  
  cd scripts/gradio python app.py
  
  致谢
  MuseV 在很大程度上参考了 TuneAVideo、diffusers、Moore-AnimateAnyone、animatediff、IP-Adapter、AnimateAnyone、VideoFusion 和 insightface。
  MuseV 基于 ucf101 和 webvid 数据集构建。
  感谢开源！
  限制
  仍然存在许多限制，包括：
  缺乏泛化能力。一些视觉条件图像表现良好，而一些表现不佳。一些预训练的 t2i 模型表现良好，而一些表现不佳。
  有限的视频生成类型和有限的动作范围，部分原因是训练数据类型有限。发布的 MuseV 已经在大约 6 万对分辨率为 512*320 的人类文本视频对上进行了训练。MuseV 在较低分辨率下具有更大的动作范围，但视频质量较低。MuseV 倾向于生成较高质量的视频，但动作范围较小。在更大、更高分辨率、更高质量的文本视频数据集上进行训练可能会使 MuseV 更好。
  可能因为 webvid 而出现水印。一个没有水印的更干净的数据集可能会解决这个问题。
  有限类型的长视频生成。视觉条件并行去噪可以解决视频生成的累积误差，但当前的方法只适用于相对固定的摄像机场景。
  referencenet 和 IP-Adapter 训练不足，因为时间有限和资源有限。
  代码结构不够完善。MuseV 支持丰富而动态的功能，但代码复杂且未经过重构。熟悉需要时间。
  引用
  
  @article{musev, title={MuseV: 基于视觉条件的并行去噪的无限长度和高保真虚拟人视频生成}, author={Xia, Zhiqiang and Chen, Zhaokang and Wu, Bin and Li, Chao and Hung, Kwok-Wai and Zhan, Chao and He, Yingjie and Zhou, Wenjiang}, journal={arxiv}, year={2024} }
  
  免责声明/许可
  代码：MuseV 的代码采用 MIT 许可证发布。无论是学术用途还是商业用途都没有限制。
  模型：训练好的模型仅供非商业研究目的使用。
  其他开源模型：使用的其他开源模型必须遵守其许可证，如 insightface、IP-Adapter、ft-mse-vae 等。
  测试数据收集自互联网，仅供非商业研究目的使用。
  AIGC：本项目旨在积极影响基于人工智能的视频生成领域。用户被授予使用此工具创建视频的自由，但他们应该遵守当地法律，并负责任地使用。开发人员不对用户可能的不当使用承担任何责任。
  github
  huggingface
  本文
  博客 - 从零开始学AI
  微信 - 从零开始学AI
  CSDN - 从零开始学AI