文章目录
关于 FollowYourPose
摘要
生成文本可编辑、姿态可控制的人物视频是创造各种数字人的迫切需求。然而，这项任务受到了限制 由于缺乏具有配对视频姿势字幕和视频生成先验模型的综合数据集。
在这项工作中，我们设计了一种新的两阶段训练方案，可以利用容易获得的数据集(即图像姿态对和无姿态视频)和预训练的数据集 文本到图像(T2I)模型，以获得姿态可控的字符视频。
具体来说，在第一阶段，关键点-图像对仅用于可控制的文本-图像生成。我们学习了一个零初始化的卷积 对姿态信息进行编码的传统编码器。
在第二阶段，我们通过添加可学习的时间自注意和改革的跨帧自注意，通过无姿态视频数据集对上述网络的运动进行微调 块。
在我们的新设计的支持下，我们的方法成功地生成连续的姿势可控的角色视频，同时保持编辑和概念组成 预训练T2I模型的能力。代码和模型将公开提供。
🍻🍻🍻设置环境
我们的方法是使用cuda11、加速器和xformer在8a100上进行训练的。
shell
conda create -n fupose python=3.8
conda activate fupose
pip install -r requirements.txt为了节省内存和运行时间，A100 GPU推荐使用xformers 。
单击xformer安装
我们发现它的安装不稳定。你可以试试下面的轮子:
shell
wget https://github.com/ShivamShrirao/xformers-wheels/releases/download/4c06c79/xformers-0.0.15.dev0+4c06c79.d20221201-cp38-cp38-linux_x86_64.whl
pip install xformers-0.0.15.dev0+4c06c79.d20221201-cp38-cp38-linux_x86_64.whl我们的环境类似于Tune-A-video(官方的，非官方的)。你可以查看更多的细节。
💃💃💃培训
我们在8 A100上修复了Tune-a-video和微调稳定扩散-1.4中的错误。 要微调文本到图像的扩散模型，以生成文本到视频，请执行以下命令:
shell
TORCH_DISTRIBUTED_DEBUG=DETAIL accelerate launch \
--multi_gpu --num_processes=8 --gpu_ids '0,1,2,3,4,5,6,7' \
train_followyourpose.py \
--config="configs/pose_train.yaml" 🕺🕺🕺推理
训练完成后，运行inference:
python
TORCH_DISTRIBUTED_DEBUG=DETAIL accelerate launch \
--gpu_ids '0' \
txt2video.py \
--config="configs/pose_sample.yaml" \
--skeleton_path="./pose_example/vis_ikun_pose2.mov"你可以用mmpose来制作姿势视频，我们用HRNet来检测骨骼。你只需要运行视频演示来获得姿势视频。记得用黑色代替背景。
💃💃💃 本地 Gradio 演示
您可以在本地运行梯度演示，只需要一个 A100/3090 。
python
python app.py那么演示在本地URL上运行: http://0.0.0.0:Port
🕺🕺🕺权重
Stable Diffusion\] [Stable Diffusion](https://arxiv.org/abs/2112.10752) 是一种潜在的文本到图像扩散模型，能够在给定任何文本输入的情况下生成逼真的图像。预训练的稳定扩散模型可以从拥抱脸下载(例如，稳定扩散v1-4) 我们还在Huggingface中提供了预训练的检查点。您可以下载它们并将它们放入 `checkpoints` 文件夹中来推断我们的模型。 ```python FollowYourPose ├── checkpoints │ ├── followyourpose_checkpoint-1000 │ │ ├──... │ ├── stable-diffusion-v1-4 │ │ ├──... │ └── pose_encoder.pth ``` *** ** * ** *** ### 💃💃💃结果 我们展示了关于各种姿势序列和文本提示的结果。 注意这个github页面中的mp4和gif文件是压缩的。 请查看我们的项目页面，获取原始视频结果的mp4文件。   *** ** * ** *** 2024-09-24 (二)