Follow-Your-Emoji: Fine-Controllable and Expressive Freestyle Portrait Animation
HKUST(香港科技大学);Tencent(腾讯);Hunyuan(混元);Tsinghua University(清华大学)
本文提出Follow-Your-Emoji框架,通过表情感知关键点和面部细粒度损失,在Stable Diffusion上实现身份一致、表情可控且时间稳定的自由风格肖像动画,并构建EmojiBench基准验证其优越性。
2024-06-07 cs.CV
MegActor: Harness the Power of Raw Video for Vivid Portrait Animation
MEGVII Technology(旷世科技)
针对原始视频驱动人像动画存在的身份泄漏、背景与面部细节干扰问题,提出MegActor条件扩散模型,通过合成数据、背景编码整合、风格迁移实现效果提升,仅用公开数据集训练即达商业模型水平。
2024-06-18 cs.CV
JoyVASA: Portrait and Animal Image Animation with Diffusion-Based Audio-Driven Facial Dynamics and Head Motion Generation
JD Health International Inc.(JD健康国际公司)
本文提出JoyVASA,一种基于扩散模型的音频驱动面部动画方法,通过解耦面部表示和独立于角色身份的运动生成,实现更长视频和动物面部的无缝动画。
2026-04-16 cs.CV
MegActor-$Σ$: Unlocking Flexible Mixed-Modal Control in Portrait Animation with Diffusion Transformer
MEGVII Technology(旷视科技);The University of Hong Kong(香港大学)
提出MegActor-$Σ$,一种混合模态条件扩散Transformer,通过模态解耦控制与幅度调整策略平衡音视觉模态控制强度,仅用公开数据集训练即超越私有数据集方法,实现灵活生动的肖像动画生成。
2024-08-27 cs.CV
Knot Forcing: Taming Autoregressive Video Diffusion Models for Real-time Infinite Interactive Portrait Animation
Tongyi Lab, Alibaba Group(通义实验室,阿里集团)
Knot Forcing通过分块生成、时间结模块和提前运行机制,解决实时肖像动画中的时间一致性、误差累积和长期一致性问题,实现高保真、低延迟的无限交互动画。
2025-12-29 cs.CV
Durian: Dual Reference Image-Guided Portrait Animation with Attribute Transfer
Seoul National University(首尔国立大学)
Durian通过双参考图像引导的方法,实现跨身份属性迁移的面部动画生成,利用自重建机制避免显式配对数据,提升模型泛化能力。
2026-04-06 cs.CV
Fast Deep Matting for Portrait Animation on Mobile Phone
National Lab of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所模式识别国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);North China University of Technology(北方工业大学)
图像抠图在图像和视频编辑中起着重要的作用。然而,图像抠图的公式化本质上是不适定的。传统的抠图方法通常采用交互的方式来处理图像的三重图和笔画问题,无法在手机上实时运行。在本文中,我们提出了一个实时的自动深抠图方法的移动设备。通过利用密集连接的块和扩张卷积,设计了一个轻型全卷积网络来预测肖像图像的粗糙二进制掩码。并进一步设计了一个边缘保持和自适应抠图的羽化块,用于学习引导滤波器并将二值掩模转换为alpha抠图。最后,在移动设备上搭建了一个基于快速深度抠图的人像自动动画系统,该系统无需任何交互,可以实现15 fps的实时抠图。实验结果表明,该方法取得了可比的结果与国家的最先进的抠图求解器。
2017-07-26 cs.CV
Teller: Real-Time Streaming Audio-Driven Portrait Animation with Autoregressive Motion Generation
本研究提出首个自回归流式音频驱动人像动画框架Teller,通过面部运动潜变量生成与高效时序优化模块,实现25 FPS实时性能,推理速度远超扩散模型,在小幅运动逼真度上显著优于现有方法。
2025-03-24 cs.CV
Hallo2: Long-Duration and High-Resolution Audio-Driven Portrait Image Animation
Nanjing University(南京大学);Fudan University(复旦大学);Baidu Inc.(百度公司)
本文提出 Hallo2,通过引入 patch-drop 增强技术、潜在码向量量化与时间对齐,以及文本标签条件输入,首次实现了长达一小时且支持文本提示增强的 4K 分辨率音频驱动肖像动画。
2024-10-14 cs.CV
SkyReels-A1: Expressive Portrait Animation in Video Diffusion Transformers
Cranberry-Lemon University(蔓越莓柠檬大学)
针对现有肖像动画方法存在的身份失真、背景不稳定等问题,提出基于视频扩散Transformer的SkyReels-A1框架,通过表情感知条件模块、面部图像-文本对齐模块及多阶段训练,提升运动迁移精度、身份保留与时间连贯性,适用于虚拟化身等领域。
2025-02-15 cs.CV
X-Portrait: Expressive Portrait Animation with Hierarchical Motion Attention
ByteDance(字节跳动)
提出X-Portrait条件扩散模型,利用ControlNet框架和分层运动注意力机制,从单张肖像和驱动视频生成具有表现力且身份一致的肖像动画。
2024-07-25 cs.AI cs.CV
Joint Learning of Depth and Appearance for Portrait Image Animation
ETH Zürich(苏黎世联邦理工学院);Nanjing University(南京大学);DisneyResearch|Studios(迪士尼研究工作室)
针对现有2D人像动效扩散方法多仅生成RGB图像、缺乏一致3D输出的问题,提出联合学习视觉外观与深度的扩散生成框架,含参考网络与通道扩展骨干,可适配多种带一致3D输出的下游人像应用。
2025-01-15 cs.CV cs.LG
GoHD: Gaze-oriented and Highly Disentangled Portrait Animation with Rhythmic Poses and Realistic Expression
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);NIO(蔚来);Banma(斑马);Beihang University(北京航空航天大学)
针对音频驱动说话人生成的挑战,提出GoHD框架,通过潜空间导航动画模块、conformer条件扩散模型和两阶段训练策略,实现高解耦、表情逼真且泛化性强的可控人像动画生成。
2024-12-13 cs.CV
AniPortrait: Audio-Driven Synthesis of Photorealistic Portrait Animation
Tencent(腾讯)
提出AniPortrait框架,通过两阶段方法将音频转化为2D面部关键点序列,并利用扩散模型与运动模块生成写实且时间一致的肖像动画,在自然度与可控性上表现优越。
2024-03-26 cs.CV cs.GR eess.IV
Mamba-Enhanced Implicit Motion Learning for Audio-Driven Portrait Animation
Fujian Provincial Natural Science Foundation of China(福建省自然科学基金委员会);Giant Interactive Group Inc.(巨匠互动集团有限公司);National Natural Science Foundation of China(国家自然科学基金委员会)
提出一种两阶段隐式运动框架,结合区域感知注意力机制和Mamba增强扩散模型,从单张静态图像和音频生成逼真且时间一致的人体运动视频,在多个基准上达到最先进性能。
2026-06-03 cs.CV
3D GAN Inversion for Controllable Portrait Image Animation
Stanford University(斯坦福大学)
每天都有数以百万计的人脸图像被捕获;但这些照片描绘的是一个人的肖像,具有固定的姿势,表情和外观。肖像图像动画使得能够从单个图像对这些属性进行捕获后调整,同时保持主体的肖像或身份的照片级真实感重建。尽管如此,用于肖像图像动画的当前方法通常基于2D变形操作或2D生成对抗网络(GAN)的操纵,并且缺乏强制多视图一致性的明确机制。因此,这些方法可以显著地改变主体的身份,特别是当相对于相机的视点改变时。在这项工作中,我们利用新开发的3D GANs,它允许显式控制图像主体的姿态,并具有多视图一致性。我们提出了一个监督策略,灵活地操纵表达式与3D变形模型,我们表明,所提出的方法还支持编辑外观属性,如年龄或发型,通过内插的潜在空间的GAN。所提出的技术人像图像动画优于以前的方法,在图像质量,身份保护,姿势转移,同时还支持属性编辑。
2022-03-25 cs.CV cs.GR cs.LG
X-Actor: Emotional and Expressive Long-Range Portrait Acting from Audio
Bytedance Intelligent Creation USA(字节跳动智能创作美国)
X-Actor提出两阶段解耦生成流水线,利用自回归扩散模型预测面部运动潜在标记,实现从音频和单图生成情感丰富、长距离电影级肖像表演,达到最先进水平。
2025-08-04 cs.CV
Unsupervised High-Resolution Portrait Gaze Correction and Animation
University of Trento(特伦托大学);Zhejiang University(浙江大学);Shandong University(山东大学);ETH Zurich(苏黎世联邦理工学院);University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);Illinois Institute of Technology(伊利诺伊理工学院)
针对高分辨率、无约束的人像图像,提出了一种视线校正和动画生成方法,该方法可以在没有视线角度和头部姿态标注的情况下进行训练。常见的注视校正方法通常需要用精确的注视和头部姿势信息来注释训练数据。使用无监督方法解决这个问题仍然是一个悬而未决的问题,特别是对于野外的高分辨率人脸图像,这些图像不容易用凝视和头部姿势标签进行注释。为了解决这个问题,我们首先创建了两个新的肖像数据集:CelebGaze和高分辨率CelebHQGaze。其次,我们制定的凝视校正任务作为一个图像修补的问题,解决使用凝视校正模块(GCM)和凝视动画模块(GAM)。此外,我们提出了一种无监督的训练策略,即,合成即训练,学习眼睛区域特征和注视角度之间的相关性。因此,我们可以使用学习的潜在空间的凝视动画与语义插值在这个空间。此外,为了减轻在训练和推理阶段的内存和计算成本,我们提出了一个粗到细模块(CFM)集成GCM和GAM。大量的实验验证了我们的方法在低分辨率和高分辨率人脸数据集中的凝视校正和凝视动画任务的有效性,并证明了我们的方法相对于最先进技术的优越性。代码可在https://github.com/zhangqianhui/GazeAnimationV2上获得
2022-07-01 cs.CV cs.GR
NARRATE: A Normal Assisted Free-View Portrait Stylizer
ShanghaiTech University(上海科技大学);University of Toronto(多伦多大学)
在这项工作中,我们提出了NARRATE,一种新颖的管道,可以同时编辑肖像照明和透视的照片逼真的方式。作为一种混合神经-物理人脸模型,NARRATE利用了几何感知生成方法和正常辅助物理人脸模型的互补优势。简而言之,NARRATE首先将输入的肖像反转为粗略的几何形状,并采用神经渲染来生成类似于输入的图像,以及产生令人信服的姿势变化。然而,反转步骤引入失配,带来具有较少面部细节的低质量图像。因此,我们进一步估计肖像法线以增强粗略的几何形状,创建高保真的物理人脸模型。特别是,我们融合了神经和物理渲染,以弥补不完美的反转,从而产生现实和视图一致的新颖的透视图像。在重光照阶段,以往的研究主要集中在单视点人像重光照上,忽视了不同视点之间的一致性,导致视点变化时光照效果不稳定、不一致。我们扩展了总重新照明,以解决这个问题,统一其多视图输入法线映射与物理人脸模型。NARRATE使用一致的法线贴图进行重新照明,施加交叉视图约束,并展示稳定和连贯的照明效果。我们的实验表明,NARRATE实现了更逼真,可靠的结果比以前的作品。我们进一步将NARRATE与动画和风格转换工具连接起来,支持姿势更改、光线更改、面部动画和风格转换,无论是单独还是组合,都具有摄影质量。我们展示了生动的自由视角面部动画以及3D感知的可重定向风格化,这有助于促进各种AR/VR应用,如虚拟电影摄影,3D视频会议和后期制作。
2022-07-20 cs.CV
FLAME-in-NeRF : Neural control of Radiance Fields for Free View Face Animation
Stony Brook University(石溪大学);Adobe Research(奥多比研究院)
提出了一种用于可控人像视频合成的神经渲染方法。体神经渲染的最新进展,如神经辐射场(NeRF),使照片级逼真的静态场景的新颖的视图合成与令人印象深刻的结果。然而,建模动态和可控的对象作为一个场景的一部分,这样的场景表示仍然是具有挑战性的。在这项工作中,我们设计了一个系统,使新的视图合成的人像视频,包括人类主体和场景背景,并通过低维的表达表示的面部表情的显式控制。我们利用3D变形人脸模型(3DMM)的表情空间来表示人类面部表情的分布,并使用它来调节NeRF体积函数。此外,我们施加了一个空间先验带来的3DMM拟合,以指导网络学习解纠缠控制的场景外观和面部动作。我们证明了我们的方法的有效性,自由视图合成的人像视频与表情控制。为了训练场景,我们的方法仅需要由移动终端捕获的主体的短视频。
2021-08-10 cs.CV
PerformRecast: Expression and Head Pose Disentanglement for Portrait Video Editing
HUJING Digital Media & Entertainment Group(华景数字媒体与娱乐集团)
本文提出PerformRecast,通过改进关键点变换公式和分离面部与非面部区域,实现表情与头部姿态的解耦,提升肖像视频编辑的可控性和效率。
2026-03-20 cs.CV
STARCaster: Spatio-Temporal AutoRegressive Video Diffusion for Identity- and View-Aware Talking Portraits
Imperial College London, UK(伦敦帝国理工学院);FAU Erlangen–Nürnberg, Germany(埃朗根-纽伦堡大学)
研究提出STARCaster模型,通过重新思考参考和几何范式,采用组合方法及解耦学习,解决语音驱动肖像动画和动态视点控制问题,能有效泛化,超越先前方法。
2026-07-21 cs.CV
DiffTalk: Crafting Diffusion Models for Generalized Audio-Driven Portraits Animation
Tsinghua University(清华大学);PhiGent Robotics(PhiGent机器人公司)
本文提出 DiffTalk,将音频驱动说话人头部生成建模为时间一致的潜在扩散去噪过程,并结合参考图像与 landmarks 条件,实现免微调的跨身份高质量、高分辨率同步动画。
2023-04-20 cs.CV
Live Speech Portraits: Real-Time Photorealistic Talking-Head Animation
Nanjing University(南京大学);Xmov(上海魔珐科技有限公司)
据我们所知,我们首先提出了一个实时系统,该系统仅由音频信号以超过30 fps的速度驱动,生成个性化的逼真的说话头动画。我们的系统包含三个阶段。第一阶段是深度神经网络,其提取深度音频特征以及流形投影以将特征投影到目标人的语音空间。在第二阶段,我们从投影的音频特征中学习面部动态和运动。预测的运动包括头部姿态和上身运动,其中前者由对目标人的头部姿态分布进行建模的自回归概率模型生成。上半身的运动是从头部姿势推导出来的。在最后阶段,我们根据之前的预测生成条件特征图,并将它们与候选图像集一起发送到图像到图像转换网络,以合成照片级真实感渲染。我们的方法很好地推广到野生音频,并成功地合成高保真个性化的面部细节,例如,皱纹牙齿我们的方法还允许明确控制头部姿势。广泛的定性和定量评估,以及用户研究,证明了我们的方法优于国家的最先进的技术。
2021-09-24 cs.CV cs.GR
FaceShot: Bring Any Character into Life
Tongji University(同济大学);Shanghai AI Laboratory(上海人工智能实验室);Nanjing University of Science and Technology(南京理工大学)
本文提出免训练肖像动画框架FaceShot,通过外观引导和坐标重定向模块生成精确关键点序列,结合预训练动画模型,突破风格化角色限制,在CharacBench上超越SOTA。
2025-03-02 cs.CV
ReFree: Towards Realistic Co-Speech Video Generation via Reward-Free RL and Multilevel Speech Guidance
Télécom Paris, Institut Polytechnique de Paris(巴黎高等电信学院,巴黎综合理工学院);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
提出ReFree-S2V框架,利用流匹配和预训练视频生成模型,通过多级语音表示和可学习选择器实现精细唇同步与自然表情,并引入无奖励强化学习生成自然头部运动,在唇同步准确性和自然度上达到最优。
2026-06-12 cs.CV
Qffusion: Controllable Portrait Video Editing via Quadrant-Grid Attention Learning
International Digital Economy Academy (IDEA)(国际数字经济学院)
该研究提出双帧引导框架 Qffusion,通过象限网格排列与自注意力联合建模外观和时序,并以 QGP 递归推理实现稳定、任意长度的可控人像视频编辑。
2025-07-26 cs.CV
ViDS: Video Diffusion Shader using 3D Face Tracking
Technical University of Munich(慕尼黑工业大学);Toyota Motor Europe NV/SA(丰田汽车欧洲股份公司);Woven by Toyota(丰田编织)
研究利用3D面部跟踪实现肖像动画,先重建3DMM网格,再用驱动视频参数动画处理,借助视频扩散模型合成动画,引入自回归扩散采样过程,相比之前方法能更精细控制表情姿势,且保留身份外观,消融研究验证了有效性。
2026-07-28 cs.CV
SOAP: Style-Omniscient Animatable Portraits
Mohamed bin Zayed University of Artificial Intelligence(莫扎德·本·扎耶德人工智能大学);Pinscreen USA(Pinscreen美国公司);Westlake University(西湖大学)
针对单图生成可动3D头像存在的风格受限、细节难处理等问题,提出风格全知框架SOAP,结合多视图扩散模型与自适应优化管线,生成拓扑一致、支持动画的高质量头像,性能优于现有方法。
2025-05-18 cs.CV
Stable Video-Driven Portraits
Stability AI;University of Cambridge(剑桥大学);Cantina
本文提出一种基于扩散模型的人像动画框架,利用驱动视频中被遮挡的眼、鼻、嘴区域作为运动控制线索,结合跨身份监督、时空注意力和信号融合策略,实现高时间一致性和准确表情控制的高质量可控人像动画。
2025-09-22 cs.CV
EMO: Emote Portrait Alive -- Generating Expressive Portrait Videos with Audio2Video Diffusion Model under Weak Conditions
Institute for Intelligent Computing, Alibaba Group(阿里巴巴集团智能计算研究所)
本文提出EMO框架,通过直接音频到视频的扩散合成方法,无需3D模型或面部标志点,即可生成高表现力、身份一致的说话和唱歌肖像视频,显著超越现有方法。
2024-08-08 cs.CV
OmniHuman-1: Rethinking the Scaling-Up of One-Stage Conditioned Human Animation Models
ByteDance(字节跳动)
提出基于Diffusion Transformer的OmniHuman框架,通过在训练阶段混合运动相关条件扩大数据规模,实现高度逼真且支持多种输入模态与肖像内容的人体视频生成。
2025-06-30 cs.CV
FlowPortrait: Reinforcement Learning for Audio-Driven Portrait Video Generation
Johns Hopkins University(约翰霍普金斯大学)
FlowPortrait通过强化学习框架结合多模态模型和人类对齐评估系统,提升音频驱动肖像视频生成的质量和表现力。
2026-02-25 cs.AI cs.CV cs.MM
EMOdiffhead: Continuously Emotional Control in Talking Head Generation via Diffusion
South China University of Technology(华南理工大学)
针对现有音频驱动说话人生成方法缺乏情感控制的问题,提出EMOdiffhead方法,结合DECA提取的表情向量与音频引导扩散模型,实现情感的细粒度控制与单次生成,性能达当前最优。
2024-09-11 cs.CV
MMHead: Towards Fine-grained Multi-modal 3D Facial Animation
Shanghai Jiao Tong University(上海交通大学);Nanyang Technological University(南洋理工大学)
为填补多模态3D面部动画数据集的空白,本文构建了大规模数据集MMHead并建立两项新基准,同时提出基于VQ-VAE的MM2Face方法统一多模态信息生成高质量3D面部运动。
2024-10-10 cs.CV
CrossPortrait: Cross-Species Portrait Animation via Adversarial Motion Alignment
University of Science and Technology of China(中国科学技术大学);Shenzhen Loop Area Institute(深圳河套学院);Huawei Technologies Ltd.(华为技术有限公司);Fudan University(复旦大学)
针对跨物种肖像动画的物种泄露问题,提出CrossPortrait框架,通过分解运动、引入物种路由表情编码器和Ex-ADA实现跨物种动画,性能优于现有方法。
2026-10-20 cs.CV
StyleAvatar: Real-time Photo-realistic Portrait Avatar from a Single Video
Tsinghua University(清华大学);NNKosmos Technology(NNKosmos科技)
针对人脸重演中2D GAN方法质量高但面部细粒度控制不足的问题,提出基于StyleGAN的StyleAvatar方法,通过组合表征、滑动窗口增强等实现实时高保真表情可控的人像头像生成,性能优于现有方法并落地了实时系统。
2023-05-01 cs.CV
Proxy Avatar Meets Low-Rank Caching: Real-Time One-Shot Emotion-Controllable Portrait Animation
该研究提出结合代理化身与低秩缓存的级联框架,解决音频驱动肖像动画的实时性与情感控制问题,实现了情感表达、身份保留及推理效率的提升。
2026-08-04 cs.CV
SofGAN: A Portrait Image Generator with Dynamic Styling
ShanghaiTech University(上海科技大学);University of California San Diego(加州大学圣地亚哥分校)
最近,生成对抗网络(GANs)}已被广泛用于肖像图像生成。然而,在GANs学习的潜在空间中,不同的属性,如姿势,形状和纹理风格,通常是纠缠在一起的,这使得对特定属性的显式控制变得困难。为了解决这个问题,我们提出了一个SofGAN图像生成器,将肖像的潜在空间解耦为两个子空间:几何空间和纹理空间。从两个子空间采样的潜码分别馈送到两个网络分支,一个用于生成具有规范姿势的肖像的3D几何形状,另一个用于生成纹理。对齐的3D几何形状还带有语义部分分割,编码为语义占用字段(SOF)。SOF允许在任意视图处呈现一致的2D语义分割图,然后将其与生成的纹理图融合,并使用我们的语义实例(SIW)模块将其风格化为肖像照片。通过大量的实验,我们表明,我们的系统可以生成高质量的人像图像与独立可控的几何和纹理属性。该方法也推广到各种应用,如外观一致的面部动画和动态造型。
2021-08-06 cs.CV cs.GR
LinguaLinker: Audio-Driven Portraits Animation with Implicit Facial Control Enhancement
Tencent(腾讯)
本研究提出LinguaLinker,一个基于扩散的音频驱动肖像动画框架,通过分别处理音频特征导出控制门以隐式控制面部运动,显著提升了动画保真度、唇形同步准确性和动作变化。
2024-07-26 cs.CV
Unlock Pose Diversity: Accurate and Efficient Implicit Keypoint-based Spatiotemporal Diffusion for Audio-driven Talking Portrait
University of Liverpool(利物浦大学);Ant Group(蚂蚁集团);Xi’an Jiaotong-Liverpool University(西交利物浦大学);Duke Kunshan University(昆山杜克大学);Ricoh Software Research Center(理光软件研究中心)
针对音频驱动单图像说话人像生成中身份保持、细节还原、姿态多样性与效率难以兼顾的问题,提出KDTalker,融合无监督隐式3D关键点与时空扩散注意力,实现准确唇形同步和高质量多样化动画。
2025-03-17 cs.CV
EmojiDiff: Advanced Facial Expression Control with High Identity Preservation in Portrait Generation
Terminal Technology Department, Alipay, Ant Group(蚂蚁集团支付宝终端技术部)
EmojiDiff通过解耦训练和微调方法,实现了高精度面部表情控制与高保真身份保持的端到端肖像生成解决方案。
2025-12-08 cs.CV
MODA: Mapping-Once Audio-driven Portrait Animation with Dual Attentions
International Digital Economy Academy (IDEA)(国际数字经济研究院);Vistring Inc.(Vistring公司)
针对音频驱动肖像动画中口型与头部、眨眼等动作缺乏关联导致结果不自然的问题,提出含双注意力单次映射网络、面部合成网络与时序引导渲染器的三阶段统一系统,可生成多人物、高保真的自然真实说话人肖像。
2023-07-19 cs.CV
Automatic Animation of Hair Blowing in Still Portrait Photos
ByteDance(字节跳动);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出将静态肖像中发丝提取建模为实例分割问题,并结合发丝感知动画模块实现自然无伪影的头发飘动动画,在定性与定量评估中均显著优于现有方法。
2023-09-25 cs.CV
RASA: Replace Anyone, Say Anything -- A Training-Free Framework for Audio-Driven and Universal Portrait Video Editing
Nanjing University(南京大学);Huawei Inc(华为公司)
提出免训练框架 RASA,通过统一动画控制和源反演潜变量,支持音频驱动唇动、参考帧外观编辑及其组合,实现更同步的唇动与更灵活的运动迁移。
2025-03-14 cs.AI cs.CV
FactorPortrait: Controllable Portrait Animation via Disentangled Expression, Pose, and Viewpoint
Meta Reality Labs(Meta现实实验室);Technical University of Munich(慕尼黑技术大学)
FactorPortrait通过解耦表情、姿态和视角实现可控肖像动画,利用预训练编码器和3D网格跟踪生成逼真动态效果。
2025-12-12 cs.CV
DiTalker: A Unified DiT-based Framework for High-Quality and Speaking Styles Controllable Portrait Animation
Harbin Institute of Technology(哈尔滨工业大学);Li Auto(利汽车);University of New South Wales(新南威尔士大学)
提出基于DiT的统一框架DiTalker,通过风格-情感编码模块和音频-风格融合模块实现精确唇部同步与动态说话风格控制,同时优化约束以提升身份与背景细节保留。
2025-07-29 cs.CV
Hallo4: High-Fidelity Dynamic Portrait Animation via Direct Preference Optimization
Fudan University(复旦大学);Baidu Inc.(百度公司);Shanghai Innovative Institute(上海创新研究院);Nanjing University(南京大学);Alibaba Group(阿里巴巴集团)
Hallo4通过直接偏好优化和时空运动调制,实现高保真的动态肖像动画生成,提升唇部同步、表情自然性和身体运动一致性。
2025-11-30 cs.CV
HunyuanPortrait: Implicit Condition Control for Enhanced Portrait Animation
Tsinghua University(清华大学);Hunyuan, Tencent(腾讯混元);Sun Yat-Sen Univeristy(中山大学);HKUST(香港科技大学)
HunyuanPortrait提出基于扩散模型的隐式条件控制方法,利用预训练编码器解耦运动与身份,通过适配器注入控制信号,实现高可控、时间一致的肖像动画,性能优于现有方法。
2025-03-25 cs.CV
FantasyPortrait: Enhancing Multi-Character Portrait Animation with Expression-Augmented Diffusion Transformers
FantasyPortrait提出基于扩散Transformer的表情增强学习与掩码交叉注意力机制,解决单/多角色肖像动画中的情绪捕捉与特征干扰问题,并构建Multi-Expr数据集和ExprBench基准,在跨重演和多角色场景中显著超越现有方法。
2025-07-17 cs.CV
NVIDIA(英伟达)
Animating portraits using speech has received growing attention in recent years, with various creative and practical use cases. An ideal generated video should have good lip sync with the audio, natural facial expressions and head motions, and high frame quality. In this work, we present SPACE, which uses speech and a single image to generate high-resolution, and expressive videos with realistic head pose, without requiring a driving video. It uses a multi-stage approach, combining the controllability of facial landmarks with the high-quality synthesis power of a pretrained face generator. SPA…
2022-12-07 cs.CV
Follow-Your-Emoji-Faster: Towards Efficient, Fine-Controllable, and Expressive Freestyle Portrait Animation
HKUST(香港科技大学);SJTU(上海交通大学);Tencent(腾讯)
本文提出Follow-Your-Emoji-Faster框架,通过表情感知关键点和细粒度面部损失提升身份保持与表情迁移,并结合渐进式生成策略与Taylor插值缓存实现2.6倍无损加速,在EmojiBench++上取得优越的动画质量与可控性。
2025-09-20 cs.CV
FLOAT: Generative Motion Latent Flow Matching for Audio-driven Talking Portrait
KAIST(韩国科学技术院);DeepBrain AI Inc.(DeepBrain AI公司)
FLOAT利用学习到的正交运动潜空间和流匹配生成模型,结合Transformer向量场预测器与逐帧条件机制,实现高效、时间一致且支持情感增强的音频驱动说话人肖像视频生成,在视觉质量、运动保真度和效率上优于现有方法。
2025-09-19 cs.AI cs.CV cs.LG
EchoMimic: Lifelike Audio-Driven Portrait Animations through Editable Landmark Conditions
Ant Group(蚂蚁集团)
针对音频或单关键点驱动肖像动画存在的不稳定或不自然问题,提出可同时用音频、面部关键点及二者组合驱动的EchoMimic方法,经多数据集评估表现更优。
2024-07-12 cs.CV