【AI MuseV】腾讯推出无限长度和高保真虚拟人视频生成框架

近日，腾讯推出了无限长度和高保真虚拟人视频生成框架 MuseV。

官网链接在文末，文档已翻译成中文，大家可以自己搭建环境试下。

MuseV

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

并行去噪

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

1. 拉取 Docker 镜像

docker pull anchorxia/musev:latest

1. 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=$(pwd)exportPYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV
exportPYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/MMCM
exportPYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/diffusers/src
exportPYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/controlnet_aux/src
cd MuseV

1. MMCM：多媒体、跨模态处理包。
2. diffusers：基于 diffusers 修改的 diffusers 包。
3. 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_batch1--target_datas yongen  --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder  --time_size12--fps12

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：

1. 视觉条件并行去噪：设置 n_batch=1，time_size = 想要的所有帧。
2. 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_batch1--controlnet_name dwpose_body_hand  --which2video"video_middle"--target_datas dacne1 --fps12--time_size12

导入参数

大多数参数与

musev_text2video

相同。

video2video

的特殊参数有：

1. 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_batch1--controlnet_name dwpose_body_hand  --which2video"video_middle"--target_datas  dacne1   --fps12--time_size12

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_batch1--target_datas yongen  --time_size12--fps12

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_batch1--controlnet_name dwpose_body_hand  --which2video"video_middle"--target_datas  dacne1   --fps12--time_size12

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

1. MuseV 在很大程度上参考了 TuneAVideo、diffusers、Moore-AnimateAnyone、animatediff、IP-Adapter、AnimateAnyone、VideoFusion 和 insightface。
2. 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：

1. 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。
2. 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。
3. 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。
4. 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。
5. referencenet 和 IP-Adapter 训练不足，因为时间有限和资源有限。
6. 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

1. 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。
2. 模型：训练好的模型仅供非商业研究目的使用。
3. 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。
4. 测试数据收集自互联网，仅供非商业研究目的使用。
5. 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