在UI/UX设计和前端开发领域，制作高质量的交互动画（Motion Design）一直是个痛点：设计师需要在After Effects中 painstakingly 绘制关键帧，开发人员则需要反复调整代码以还原效果，而最终的Lottie文件往往体积大、兼容性差。 由复旦OpenVGLab团队推出的OmniLottie提出了首个全能型多模态Lottie动画生成模型。它打破了传统工作流的壁垒，支持**"文本生成动画"、"图像生成动画"、"草图转动画"甚至"视频风格迁移为Lottie"**。OmniLottie 不仅能生成流畅的矢量动画，还能严格控制文件大小和代码结构，直接输出可用的 .json 文件。这意味着，未来你只需输入一句描述或上传一张静态图，就能立刻获得一个专业级的UI动效！
相关链接
-
数据集 (MMLottie-2M)：https://huggingface.co/datasets/OmniLottie/MMLottie-2M
-
评测基准 (MMLottieBench)：https://huggingface.co/datasets/OmniLottie/MMLottieBench
论文介绍
OmniLottie旨在解决AI动画生成领域的三大局限：文件体积大、无法无损缩放、难以编辑。通过引入Lottie Tokenizer，OmniLottie将Lottie JSON文件转化为结构化的命令和参数序列，实现了10倍的数据压缩比，显著降低了模型计算负担，同时确保了动画表征的零损耗与完整表达能力。此外，OmniLottie还开源了MMLottie-2M数据集，这是目前业界规模最大的200万量级多模态矢量动画数据集，为矢量动画生成领域的研究提供了坚实的数据支撑。
方法概述
Lottie Tokenizer设计
OmniLottie引入了精心设计的Lottie Tokenizer，将Lottie JSON文件中的形状、动画函数和控制参数转化为结构化的命令和参数序列。 通过参数化建模，实现了高效的数据压缩和模型计算负担的降低，同时确保了动画的完整表达能力。
多模态指令跟随
OmniLottie基于预训练的视觉语言模型（VLM），能够跟随多模态（文本、图像、视频）指令生成高质量的矢量动画。 通过引入任务token和显式指令解析机制，实现了对复杂多模态指令的准确理解和执行。
MMLottie-2M数据集构建
OmniLottie团队开源了MMLottie-2M数据集，包含200万量级的专业设计矢量动画，并配有文本和视觉注释。 该数据集通过统一的数据格式和评估标准，推动了矢量动画生成领域的标准化进程，为后续研究提供了丰富的资源。
高效训练与推理
OmniLottie通过大规模预训练和微调策略，实现了对多模态指令的高效跟随和动画生成。 在推理阶段，OmniLottie支持快速生成高质量矢量动画，满足了实时应用的需求。
实验
动画生成质量实验
OmniLottie在多个基准测试上展示了其生成高质量矢量动画的能力，生成的动画在视觉效果上逼真且语义对齐度高。 用户研究表明，OmniLottie生成的动画在创意性和实用性方面均获得了高度评价。
数据压缩与计算效率实验
Lottie Tokenizer实现了10倍的数据压缩比，显著降低了模型计算负担和存储需求。 在保持动画质量的同时，OmniLottie的推理速度比传统方法有了显著提升。
多模态指令跟随实验
-
OmniLottie能够准确理解并执行复杂的多模态指令，生成符合用户期望的矢量动画。
-
在文本、图像、视频等多种输入模态下，OmniLottie均展示了出色的指令跟随能力和动画生成效果。