角色動(dòng)畫(huà)最新SOTA！港大&螞蟻等CoDance：解綁-重綁實(shí)現(xiàn)任意數(shù)量、位置角色同屏起舞

2026-01-20 13:48

作者：Shuai Tan等

解讀：AI生成未來(lái)

圖1。由CoDance生成的多主體動(dòng)畫(huà)。給定一個(gè)（可能錯(cuò)位的）驅(qū)動(dòng)姿勢(shì)序列和一張多主體參考圖像，CoDance生成協(xié)調(diào)且可姿勢(shì)控制的群舞，無(wú)需每個(gè)主體的空間對(duì)齊。

亮點(diǎn)直擊

首創(chuàng)性框架：CoDance，這是首個(gè)能夠基于單一且可能未對(duì)齊的姿態(tài)序列，同時(shí)實(shí)現(xiàn)角色圖像動(dòng)畫(huà)化中“四個(gè)任意”屬性的方法：任意主體類型、任意數(shù)量、任意空間位置和任意姿態(tài)。

Unbind-Rebind 范式：設(shè)計(jì)了一種新穎的“解綁-重綁”（Unbind-Rebind）策略，系統(tǒng)性地將姿態(tài)與參考圖像中過(guò)硬的空間綁定解耦，并通過(guò)語(yǔ)義和空間線索重新建立控制。構(gòu)建了全新的多主體動(dòng)畫(huà)基準(zhǔn) CoDanceBench，填補(bǔ)了該領(lǐng)域評(píng)估標(biāo)準(zhǔn)的空白。

SOTA：在 CoDanceBench 和現(xiàn)有的Follow-Your-Pose-V2 基準(zhǔn)上，該方法在各項(xiàng)指標(biāo)上均取得了SOTA性能，展現(xiàn)了強(qiáng)大的泛化能力。

解決的問(wèn)題

多主體生成的局限性：現(xiàn)有的角色動(dòng)畫(huà)方法（如 Animate Anyone, MagicAnimate 等）主要針對(duì)單人動(dòng)畫(huà)設(shè)計(jì)，難以處理任意數(shù)量的主體。

空間未對(duì)齊難題：現(xiàn)有方法依賴于姿態(tài)與參考圖像之間嚴(yán)格的像素級(jí)空間綁定（rigid spatial binding）。當(dāng)參考圖像與驅(qū)動(dòng)姿態(tài)在空間上不一致（misalignment）時(shí)（例如參考圖中有兩個(gè)角色，而姿態(tài)只有一個(gè)，或者位置不對(duì)應(yīng)），模型容易失效，產(chǎn)生偽影或錯(cuò)誤的身份綁定。

目標(biāo)重定向失敗：在嘗試解耦空間位置后，模型往往無(wú)法將動(dòng)作準(zhǔn)確地重新綁定（rebind）到預(yù)期的特定主體上，導(dǎo)致背景被錯(cuò)誤驅(qū)動(dòng)或主體丟失。

圖2。CoDance動(dòng)機(jī)。雖然在單人動(dòng)畫(huà)方面表現(xiàn)出色，但以往方法在處理多主體時(shí)因參考姿勢(shì)與目標(biāo)姿勢(shì)綁定僵硬導(dǎo)致輸出不匹配而失效。相比之下，我們的解綁-再綁定方法成功將運(yùn)動(dòng)與外觀脫鉤，產(chǎn)生了令人信服的結(jié)果。

提出的方案

核心架構(gòu)：基于 Diffusion Transformer (DiT) 的 Unbind-Rebind 框架。

Unbind（解綁）模塊：

引入姿態(tài)偏移編碼器（Pose Shift Encoder）。

Pose Unbind：在輸入層面，對(duì)骨架位置/大小進(jìn)行隨機(jī)變換，打破物理對(duì)齊。

Feature Unbind：在特征層面，對(duì)姿態(tài)特征進(jìn)行隨機(jī)復(fù)制和疊加，迫使模型學(xué)習(xí)位置無(wú)關(guān)的動(dòng)作語(yǔ)義。

Rebind（重綁）模塊：

語(yǔ)義重綁：引入文本分支，利用混合數(shù)據(jù)訓(xùn)練策略（聯(lián)合訓(xùn)練動(dòng)畫(huà)數(shù)據(jù) 和大規(guī)模文生視頻數(shù)據(jù) ），通過(guò)文本提示明確指定動(dòng)畫(huà)的主體身份和數(shù)量。

空間重綁：利用離線分割模型（如 SAM）獲取參考圖像的主體掩碼（Mask），作為外部條件將動(dòng)作精確限制在目標(biāo)區(qū)域內(nèi)。

應(yīng)用的技術(shù)

主干網(wǎng)絡(luò)：采用 DiT (Diffusion Transformer) 作為基礎(chǔ)生成模型，利用其可擴(kuò)展性處理視頻生成。

數(shù)據(jù)增強(qiáng)與訓(xùn)練策略：

隨機(jī)平移與縮放增強(qiáng)。

特征層面的 Region Duplication（區(qū)域復(fù)制）。

混合訓(xùn)練（Mixed-data training）：以概率訓(xùn)練動(dòng)畫(huà)任務(wù)，以訓(xùn)練通用文生視頻（T2V）任務(wù)。

多模態(tài)條件注入：

umT5 Encoder：處理文本提示，通過(guò) Cross-Attention 注入。

Mask Encoder：處理 SAM 生成的主體掩碼，通過(guò)卷積提取特征并與噪聲潛在變量逐元素相加（Element-wise Summation）。

VAE Encoder：提取參考圖像的潛在特征。

LoRA：用于微調(diào)預(yù)訓(xùn)練的 T2V 模型。

達(dá)到的效果

定量指標(biāo)提升：在視頻質(zhì)量、身份保持（Identity Preservation）和時(shí)序一致性（Temporal Consistency）等指標(biāo)上，顯著優(yōu)于 MagicAnimate, Animate Anyone, UniAnimate 等 SOTA 方法。

定性表現(xiàn)優(yōu)異：能夠生成協(xié)調(diào)的群舞，支持從單人到多人的泛化，且不需要針對(duì)每個(gè)主體進(jìn)行空間預(yù)對(duì)齊。即使在參考圖像復(fù)雜、主體數(shù)量多變的情況下，也能保持主體身份特征和動(dòng)作的準(zhǔn)確性。用戶調(diào)研顯示其偏好率大幅領(lǐng)先。

方法

如圖 3 所示，CoDance 的流程主要包含以下步驟。給定參考圖像、驅(qū)動(dòng)姿態(tài)序列和文本提示，本工作首先獲得參考圖像的主體掩碼，并將驅(qū)動(dòng)動(dòng)作傳播到任意數(shù)量、不同類型的主體上，同時(shí)保持與參考圖像的身份一致性。與以往關(guān)注近乎對(duì)齊輸入的工作不同，本文明確處理了與之間的未對(duì)齊、非人類/擬人化角色以及多主體場(chǎng)景。

圖3。CoDance流程

預(yù)備知識(shí)

擴(kuò)散模型。擴(kuò)散模型是生成模型，通過(guò)反轉(zhuǎn)加噪過(guò)程來(lái)生成數(shù)據(jù)。這涉及兩個(gè)階段：逐漸向干凈數(shù)據(jù) 添加高斯噪聲的前向過(guò)程，以及學(xué)習(xí)去除噪聲的反向過(guò)程。一個(gè)關(guān)鍵屬性是任何噪聲樣本都可以直接從獲得。生成任務(wù)通過(guò)訓(xùn)練一個(gè)網(wǎng)絡(luò) 來(lái)完成，該網(wǎng)絡(luò)在給定時(shí)間步和可選條件的情況下，從噪聲輸入中預(yù)測(cè)噪聲。模型通過(guò)以下目標(biāo)函數(shù)進(jìn)行優(yōu)化：

對(duì)于條件生成，通常使用無(wú)分類器引導(dǎo)（classifier-free guidance）來(lái)增強(qiáng)條件的影響。

擴(kuò)散 Transformer (DiT) 。雖然早期的擴(kuò)散模型使用 U-Net 架構(gòu)，但 Diffusion Transformer (DiT)證明了標(biāo)準(zhǔn) Transformer 可以作為一個(gè)高效且可擴(kuò)展的主干網(wǎng)絡(luò)。在 DiT 框架中，輸入圖像首先被劃分為不重疊的補(bǔ)丁（patches），類似于 Vision Transformer (ViT)。這些補(bǔ)丁與時(shí)間步和條件（例如姿態(tài)骨架）的嵌入一起被轉(zhuǎn)換為標(biāo)記（tokens）序列。然后，該標(biāo)記序列由 Transformer 塊處理以預(yù)測(cè)輸出噪聲。

解綁-重綁

如圖 2 所示，以前的方法通常強(qiáng)制參考圖像與目標(biāo)姿態(tài)之間存在剛性的空間綁定。只要類人參考圖像與目標(biāo)姿態(tài)在空間上對(duì)齊，這種范式在單人動(dòng)畫(huà)中就能生成正確的結(jié)果。然而，它們受限于不匹配的情況，例如參考圖像中的主體數(shù)量與目標(biāo)姿態(tài)不同。由于依賴剛性空間對(duì)齊，模型無(wú)法正確動(dòng)畫(huà)化參考圖像中的主體。相反，它會(huì)在相應(yīng)的空間區(qū)域幻覺(jué)出一個(gè)新的、與姿態(tài)對(duì)齊的人。為了克服這一根本限制，本文提出了一種新范式：Unbind-Rebind（解綁-重綁），它打破了因輸入不匹配導(dǎo)致的強(qiáng)制空間對(duì)齊，并重新建立動(dòng)作與身份之間的正確對(duì)應(yīng)關(guān)系。

Unbind（解綁）。Unbind 模塊旨在拆除參考圖像與姿態(tài)之間這種僵化的空間約束。本文不再依賴簡(jiǎn)單的空間映射，而是迫使模型（特別是姿態(tài)編碼器和擴(kuò)散網(wǎng)絡(luò)）去學(xué)習(xí)動(dòng)作本身的抽象語(yǔ)義理解。為此，本文提出了新穎的姿態(tài)偏移編碼器（Pose Shift Encoder），它由 Pose Unbind（姿態(tài)解綁）和 Feature Unbind（特征解綁）模塊組成，分別在輸入層級(jí)和特征層級(jí)增強(qiáng)模型的理解能力。其核心洞察在于，在每個(gè)訓(xùn)練步驟中，有意且隨機(jī)地破壞參考圖像與目標(biāo)姿態(tài) 之間的自然對(duì)齊，從而確保模型無(wú)法依賴僵化的空間對(duì)應(yīng)關(guān)系。具體而言，Pose Unbind 模塊作用于輸入層級(jí)。在每個(gè)訓(xùn)練步驟中，本文首先按照先前的方法采樣參考圖像及其對(duì)應(yīng)的驅(qū)動(dòng)姿態(tài) 。然而，本文并不直接將這對(duì)數(shù)據(jù)輸入模型，而是對(duì)驅(qū)動(dòng)姿態(tài) 應(yīng)用一系列變換。打破空間關(guān)聯(lián)最直觀的方法是改變姿態(tài)的位置和比例。因此，在每一步中，本文隨機(jī)平移骨架的位置，即，并隨機(jī)縮放其大小，進(jìn)一步將其與原始空間位置解耦。

然而，僅靠 Pose Unbind 主要增強(qiáng)的是姿態(tài)編碼器解釋姿態(tài)變化的能力。核心的生成過(guò)程嚴(yán)重依賴于擴(kuò)散網(wǎng)絡(luò)。為此，本文引入了 Feature Unbind 模塊，它作用于特征層級(jí)。在變換后的姿態(tài)通過(guò)姿態(tài)編碼器后，本文對(duì)生成的姿態(tài)特征應(yīng)用進(jìn)一步的增強(qiáng)。首先，應(yīng)用類似的隨機(jī)平移。此外，為了迫使擴(kuò)散模型適應(yīng)特征空間內(nèi)的各種姿態(tài)配置，本文提取對(duì)應(yīng)于姿態(tài)的特征區(qū)域，將其隨機(jī)復(fù)制，并將這些副本疊加到原始特征圖上。這一過(guò)程迫使擴(kuò)散模型發(fā)展出對(duì)姿態(tài)更魯棒的語(yǔ)義理解，并增強(qiáng)其在復(fù)雜條件下的生成能力。

Rebind（重綁）。經(jīng)過(guò) Unbind 操作后，雖然模型能夠從姿態(tài)圖像中掌握動(dòng)作的語(yǔ)義含義，但它缺少了指定動(dòng)畫(huà)目標(biāo)主體的關(guān)鍵信息，因?yàn)樵嫉目臻g對(duì)齊已被特意打破。為了解決這個(gè)問(wèn)題，本文引入了 Rebind 模塊，它可以智能地將理解到的動(dòng)作與參考圖像中的正確主體重新關(guān)聯(lián)起來(lái)。具體來(lái)說(shuō)，本文通過(guò)兩個(gè)互補(bǔ)的層面來(lái)執(zhí)行 Rebind：語(yǔ)義（Semantic）和空間（Spatial）。

從語(yǔ)義角度來(lái)看，本文引入了一個(gè)文本驅(qū)動(dòng)的引導(dǎo)分支，利用輸入文本提示明確指定參考圖像中需要?jiǎng)赢?huà)化的主體身份和數(shù)量。如圖 3 所示，參考圖像包含多個(gè)元素，其中包括五個(gè)擬人化角色作為動(dòng)畫(huà)目標(biāo)。相應(yīng)的提示詞（如“五個(gè)氣泡在跳舞”）經(jīng)過(guò)文本編碼器處理后，輸入到 DiT 模塊中以提供語(yǔ)義指導(dǎo)。然而，僅在具有統(tǒng)一文本提示的動(dòng)畫(huà)數(shù)據(jù)集（）上進(jìn)行訓(xùn)練會(huì)帶來(lái)一個(gè)重大挑戰(zhàn)：模型傾向于過(guò)擬合提示詞，學(xué)習(xí)到虛假的相關(guān)性并忽略文本指導(dǎo)，這嚴(yán)重?fù)p害了推理時(shí)的泛化能力。為了抵消這一點(diǎn)，本文提出了一種混合數(shù)據(jù)訓(xùn)練策略（mixed-data training strategy）。本文加入了一個(gè)輔助的、多樣化的“文本-圖像-視頻”（TI2V）數(shù)據(jù)集（），并分別以概率和在角色動(dòng)畫(huà)任務(wù)和 T2V 任務(wù)之間交替訓(xùn)練。這種雙目標(biāo)訓(xùn)練迫使模型超越簡(jiǎn)單的模式匹配，發(fā)展出對(duì)文本條件的魯棒理解。反過(guò)來(lái)，這也使其能夠在推理過(guò)程中根據(jù)任意文本提示，準(zhǔn)確地從參考圖像中重新綁定指定的主體。

雖然語(yǔ)義指導(dǎo)很強(qiáng)大，但它不能解決“圖-底”模糊（figure-ground ambiguity）的挑戰(zhàn)，特別是對(duì)于具有復(fù)雜或非常規(guī)形態(tài)的主體。這種模糊可能導(dǎo)致模型無(wú)法準(zhǔn)確分割主體，導(dǎo)致背景被錯(cuò)誤動(dòng)畫(huà)化或主體部分缺失。為了強(qiáng)制精確的空間控制，本文引入了空間重綁機(jī)制，提供一個(gè)參考掩碼來(lái)明確定義動(dòng)畫(huà)區(qū)域。這種直接的空間重綁確保動(dòng)畫(huà)嚴(yán)格限制在指定的邊界內(nèi)，有效地減輕分割錯(cuò)誤并保持主體的結(jié)構(gòu)完整性。

框架與實(shí)現(xiàn)細(xì)節(jié)

鑒于先前工作的成功，CoDance 建立在常用的 Diffusion Transformer (DiT)之上。如圖 3 所示，給定一個(gè)參考圖像，本文采用 VAE 編碼器提取其潛在表示。遵循文獻(xiàn)[64]的方法，該潛在表示隨后直接作為去噪網(wǎng)絡(luò) 輸入的一部分。為了促進(jìn)精確的外觀重綁（appearance rebind），本文利用預(yù)訓(xùn)練的分割模型（例如 SAM）從中提取對(duì)應(yīng)的主體掩碼。該掩碼隨后被輸入到一個(gè)由堆疊的 2D 卷積層組成的掩碼編碼器（Mask Encoder）中。生成的掩碼特征隨后通過(guò)逐元素求和的方式融入到噪聲潛在向量中。同時(shí)，本文引入 umT5 Encoder進(jìn)行語(yǔ)義理解。文本特征通過(guò) DiT 塊內(nèi)的交叉注意力層整合到生成過(guò)程中。對(duì)于驅(qū)動(dòng)視頻，本文采用前述的姿態(tài)偏移編碼器。模型初始化自預(yù)訓(xùn)練的 T2V 模型，并使用 LoRA 進(jìn)行微調(diào)。最后，VAE 解碼器重建視頻。注意，Unbind 模塊和混合數(shù)據(jù)訓(xùn)練僅應(yīng)用于訓(xùn)練階段。

實(shí)驗(yàn)

用戶調(diào)研

為了量化感知質(zhì)量，本文進(jìn)行了一項(xiàng)全面的用戶調(diào)研。該調(diào)研涉及向 10 名參與者進(jìn)行的成對(duì) A/B 偏好測(cè)試。本文使用了 20 個(gè)不同的身份和 20 個(gè)驅(qū)動(dòng)視頻，從 9 種評(píng)估方法中分別生成了 20 個(gè)動(dòng)畫(huà)。在每次試驗(yàn)中，參與者會(huì)看到兩個(gè)由不同方法生成的并排視頻，并被要求根據(jù)三個(gè)標(biāo)準(zhǔn)選擇更好的結(jié)果：(1)視頻質(zhì)量，(2)身份保持，以及 (3)時(shí)序一致性。如表 3 總結(jié)所示，CoDance 在所有三個(gè)標(biāo)準(zhǔn)上都取得了最高的偏好率，證明了其明顯的感知優(yōu)勢(shì)。具體數(shù)據(jù)如下：

Video Quality: 0.90 (CoDance) vs 0.79 (UniAnimateDiT)

Identity Preservation: 0.88 (CoDance) vs 0.50 (UniAnimateDiT)

Temporal Consistency: 0.83 (CoDance) vs 0.78 (UniAnimateDiT)

消融實(shí)驗(yàn)

本節(jié)展示了消融研究，旨在分離 CoDance 中 Unbind 和 Rebind 模塊的貢獻(xiàn)與必要性。實(shí)驗(yàn)設(shè)計(jì)為漸進(jìn)式消融：

Baseline (基線)：移除 Unbind 和 Rebind 模塊。模型按照剛性對(duì)齊范式（遵循[64]）訓(xùn)練，以動(dòng)畫(huà)化參考圖像。

B + Unbind：在基線之上，添加 Unbind 模塊以打破參考圖像與驅(qū)動(dòng)姿態(tài)之間的剛性對(duì)齊。

B + Unbind + Spatial Rebind：在 (2) 的基礎(chǔ)上，結(jié)合掩碼條件進(jìn)行空間重綁。

Full Model (完整模型)：包含所有模塊。

如圖 5 所示：

Baseline：受限于剛性對(duì)齊，合成了一個(gè)與驅(qū)動(dòng)姿態(tài)在空間上對(duì)齊的新角色，從而丟失了參考身份。

B + Unbind：引入 Unbind 模塊修正了身份問(wèn)題，保留了參考身份并展示了成功的解耦。然而，它無(wú)法生成連貫的動(dòng)作，表明無(wú)法定位動(dòng)畫(huà)的目標(biāo)區(qū)域。

B + Unbind + Spatial Rebind：添加空間重綁解決了定位問(wèn)題，動(dòng)畫(huà)化了正確的區(qū)域。然而，它將多個(gè)主體視為單一的復(fù)合實(shí)體，導(dǎo)致碎片化的動(dòng)畫(huà)（例如，動(dòng)畫(huà)化每個(gè)角色的一只手，而不是一個(gè)角色的全身）。

Full Model：集成了 Unbind 和完整的 Rebind 機(jī)制（包含語(yǔ)義重綁），取得了優(yōu)異的結(jié)果。

這一遞進(jìn)過(guò)程驗(yàn)證了框架中每個(gè)提議模塊的關(guān)鍵性和互補(bǔ)作用。

圖4。與SOTA方法的定性比較。

總結(jié)

CoDance，一種為跨越任意主體數(shù)量、類型和空間布局的魯棒動(dòng)畫(huà)而設(shè)計(jì)的新穎框架。我們識(shí)別出，在多主體場(chǎng)景中普遍存在的身份退化和動(dòng)作分配錯(cuò)誤源于現(xiàn)有方法中的剛性空間綁定。為了克服這一點(diǎn)，我們提出了 Unbind-Rebind（解綁-重綁）范式，該范式首先將動(dòng)作從其嚴(yán)格的空間上下文中解綁，然后使用互補(bǔ)的語(yǔ)義和空間指導(dǎo)將此動(dòng)作重新綁定到正確的主體上。通過(guò)這種方式，CoDance 展示了強(qiáng)大的泛化能力和魯棒性，實(shí)現(xiàn)了靈活的多主體動(dòng)畫(huà)。在 Follow-Your-Pose-V2 基準(zhǔn)和我們新引入的 CoDanceBench 上的廣泛實(shí)驗(yàn)證明，我們提出的方法優(yōu)于 SOTA 方法。

參考文獻(xiàn)

[1] CoDance: An Unbind-Rebind Paradigm for Robust Multi-Subject Animation

原文標(biāo)題 : 角色動(dòng)畫(huà)最新SOTA！港大&螞蟻等CoDance：解綁-重綁實(shí)現(xiàn)任意數(shù)量、位置角色同屏起舞