在人工智能与数字交互的前沿领域，清华大学与腾讯强强联手，共同推出了革命性的动作迁移模型——FlexiAct。这一创新技术标志着我们在虚拟世界与现实动作融合上的重大突破。FlexiAct通过高度精密的算法，实现了不同个体间动作的流畅迁移，为远程教育、虚拟现实游戏、以及人机交互等场景开启了全新的可能性。它不仅能够精准捕捉动作细节，还能适应多种身体特征和环境变化，让数字角色的动作更加自然、真实，极大地丰富了用户体验，预示着未来数字内容创作和交互方式的一场变革。这项技术的诞生，是学术界与产业界深度合作的典范，彰显了中国在人工智能技术创新领域的强大实力和前瞻视野。
FlexiAct是什么flexiact是由清华大学与腾讯arc实验室共同开发的新型动作迁移模型。该模型能够在提供目标图像的情况下，将参考视频中的动作准确地转移到目标主体上，即使在空间结构差异显著或跨域的异构场景中，也能实现精确的动作匹配和外观一致性。flexiact通过引入轻量级的refadapter模块和频率感知动作提取（fae）模块，克服了现有方法在布局、视角和骨架结构差异方面的局限性，同时保持了身份的一致性。该模型在人物和动物的动作迁移方面表现优异，具有广泛的应用潜力。
FlexiAct的主要功能
跨主体动作迁移：支持将动作从一个人转移到另一个人，或从人转移到动物。
保持外观一致性：在转移动作的同时，确保目标主体的外观（如服装、发型等）与原始目标图像保持一致。
灵活的空间结构适配：即使参考视频和目标图像在布局、视角和骨架结构上存在差异，也能实现动作的自然转移。
FlexiAct的技术原理
RefAdapter（空间结构适配器）：RefAdapter是一个轻量级的图像条件适配器，主要用于解决参考视频和目标图像之间的空间结构差异问题。在训练过程中，随机选择视频帧作为条件图像，以最大化空间结构的差异性。这使得模型能够适应不同的姿态、布局和视角，同时保持外观的一致性。通过注入少量可训练参数（如LoRA模块），在CogVideoX-I2V的MMDiT层中实现灵活的空间适配，避免了传统方法中的严格约束。
频率感知动作提取：FAE是一个创新的动作提取模块，直接在去噪过程中完成动作提取，不依赖于独立的时空架构。FAE观察到在去噪的不同时间步中，模型对运动（低频）和外观细节（高频）的关注程度不同。在早期时间步中，模型更关注运动信息；在后期时间步中，模型更关注外观细节。FAE基于动态调整注意力权重，优先在早期时间步提取运动信息，在后期时间步关注外观细节，从而实现精准的动作提取和控制。
FlexiAct的项目地址
项目官网：
GitHub仓库：
HuggingFace模型库：
arXiv技术论文：
FlexiAct的应用场景
影视制作：快速生成逼真的角色动作，降低拍摄成本。
游戏开发：为游戏角色生成多样化的动作，提升游戏体验。
广告营销：生成虚拟代言人的动作，增强广告的吸引力。
教育培训：生成教学和康复训练的动作，辅助学习和恢复。
娱乐互动：支持用户创作有趣的视频，提升娱乐体验。
以上就是FlexiAct—清华联合腾讯推出的动作迁移模型的详细内容，更多请关注其它相关文章！
相关攻略
近期热点
最新攻略
