政安晨【零基础玩转各类开源AI项目】：解析开源项目：Champ 利用三维参数指导制作可控且一致的人体图像动画

目录

论文题目

Champ: 利用三维参数指导制作可控且一致的人体图像动画

安装

创建 conda 环境：

使用 pip 安装软件包

推理

1. 下载预训练模型

2. 准备准备引导动作数据

运行推理

训练模型

准备数据集

运行训练脚本

数据集

政安晨的个人主页：政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: 零基础玩转各类开源AI项目

希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！

项目首页：Champ

开源地址：GitHub – fudan-generative-vision/champ: Champ: Controllable and Consistent Human Image Animation with 3D Parametric GuidanceChamp: Controllable and Consistent Human Image Animation with 3D Parametric Guidance – fudan-generative-vision/champhttp://github.com/fudan-generative-vision/champ

论文地址：

http://arxiv.org/pdf/2403.14781

http://arxiv.org/abs/2403.14781

论文题目

Champ: 利用三维参数指导制作可控且一致的人体图像动画

在本研究中，我们介绍了一种人体图像动画制作方法，该方法利用潜在扩散框架中的三维人体参数模型，来增强 curernt 人体生成技术中的形状排列和运动引导。该方法利用 SMPL（Skinned Multi-Person Linear）模型作为三维人体参数模型，建立统一的身体形状和姿势表示。这有助于从源视频中准确捕捉复杂的人体几何和运动特征。具体来说，我们将从 SMPL 序列中获取的渲染深度图像、法线贴图和语义贴图与基于骨骼的运动引导结合起来，用全面的三维形状和详细的姿势属性来丰富潜在扩散模型的条件。多层运动融合模块整合了自我注意机制，用于融合空间域中的形状和运动潜表征。通过将三维人体参数模型表示为运动导向，我们可以在参考图像和源视频运动之间进行人体参数形状配准。在基准数据集上进行的实验评估证明，该方法具有生成高质量人体动画的卓越能力，能准确捕捉姿势和形状变化。此外，我们的方法在拟议的野生数据集上也表现出了卓越的泛化能力。

给定一个输入人体图像和一个描述运动序列的参考视频，目标是合成一个视频，其中图像中的人物复制在参考视频中观察到的动作，从而创建一个可控的、时间上一致的视觉输出。

安装

系统要求Ubuntu20.04/Windows 11、Cuda 12.1
已测试 GPUA100、RTX3090

创建 conda 环境：

  conda create -n champ python=3.10
  conda activate champ

使用 pip 安装软件包

  pip install -r requirements.txt

推理

推理入口点脚本是 ${PROJECT_ROOT}/inference.py。在测试案例之前，有两项准备工作需要完成：

1. 下载预训练模型

您可以从我们的 HuggingFace 软件仓库轻松获取推理所需的所有预训练模型。（http://huggingface.co/fudan-generative-ai/champ）

通过下面的 cmd 将预训练模型克隆到 ${PROJECT_ROOT}/pretrained_models 目录中：

git lfs install
git clone http://huggingface.co/fudan-generative-ai/champ pretrained_models

或者，您也可以从源代码库中单独下载：

Champ ckpts：包括去噪 UNet、制导编码器、参考 UNet 和运动模块。

（http://huggingface.co/fudan-generative-ai/champ/tree/main）

StableDiffusion V1.5：在 Stable-Diffusion-V1-2 的基础上进行了初始化和微调。(感谢 runwayml）

（http://huggingface.co/runwayml/stable-diffusion-v1-5）

sd-vae-ft-mse：权重旨在与扩散器库一起使用。(感谢 stablilityai）

（http://huggingface.co/stabilityai/sd-vae-ft-mse）

图像编码器：从 CompVis/stable-diffusion-v1-4-original 进行微调，以接受 CLIP 图像嵌入而非文本嵌入。(感谢 lambdalabs）

（http://huggingface.co/lambdalabs/sd-image-variations-diffusers/tree/main/image_encoder）

最后，这些预训练模型的组织结构如下：

./pretrained_models/
|– champ
|   |– denoising_unet.pth
|   |– guidance_encoder_depth.pth
|   |– guidance_encoder_dwpose.pth
|   |– guidance_encoder_normal.pth
|   |– guidance_encoder_semantic_map.pth
|   |– reference_unet.pth
|   `– motion_module.pth
|– image_encoder
|   |– config.json
|   `– pytorch_model.bin
|– sd-vae-ft-mse
|   |– config.json
|   |– diffusion_pytorch_model.bin
|   `– diffusion_pytorch_model.safetensors
`– stable-diffusion-v1-5
    |– feature_extractor
    |   `– preprocessor_config.json
    |– model_index.json
    |– unet
    |   |– config.json
    |   `– diffusion_pytorch_model.bin
    `– v1-inference.yaml

2. 准备准备引导动作数据

在进行推理时，必须使用通过 SMPL 和渲染生成的指导运动数据。

您可以从 HuggingFace 软件仓库下载预渲染示例（http://huggingface.co/datasets/fudan-generative-ai/champ_motions_example），

并将其放入 ${PROJECT_ROOT}/example_data 目录：

git lfs install
git clone http://huggingface.co/datasets/fudan-generative-ai/champ_motions_example example_data

您也可以按照 SMPL 和渲染文档制作自己的运动数据。

（champ/docs/data_process.md at master · fudan-generative-vision/champ · GitHub）

最后，${PROJECT_ROOT}/example_data 将变成这样：

./example_data/
|– motions/  # Directory includes motions per subfolder
|   |– motion-01/  # A motion sample
|   |   |– depth/  # Depth frame sequance
|   |   |– dwpose/ # Dwpose frame sequance
|   |   |– mask/   # Mask frame sequance
|   |   |– normal/ # Normal map frame sequance
|   |   `– semantic_map/ # Semanic map frame sequance
|   |– motion-02/
|   |   |– …
|   |   `– …
|   `– motion-N/
|       |– …
|       `– …
`– ref_images/ # Reference image samples(Optional)
    |– ref-01.png
    |– …
    `– ref-N.png

运行推理

现在，我们将所有准备好的模型和运动数据分别保存在 ${PROJECT_ROOT}/pretrained_models 和 ${PROJECT_ROOT}/example_data 中。

下面是推理命令：

  python inference.py --config configs/inference/inference.yaml

动画结果将保存在 ${PROJECT_ROOT}/results 文件夹中。您可以通过修改 inference.yaml 来更改参考图像或引导动作。

inference.yaml 中的默认 motion-02 约有 250 帧，需要 ~20GB VRAM。

注：如果您的 VRAM 不足，可以切换到较短的运动序列，或从较长的序列中剪切出一个片段。我们在 inference.yaml 中提供了一个帧范围选择器，您可以用 [min_frame_index, max_frame_index] 列表替换它，这样就能方便地从序列中剪切出一个片段。

训练模型

 训练过程包括两个不同的阶段。更多信息，请参阅 arXiv 上论文的 “训练部分”。

（http://arxiv.org/abs/2403.14781）

准备数据集

准备自己的人体动作训练视频（或使用我们的 HuggingFace 示例训练数据 http://huggingface.co/datasets/fudan-generative-ai/champ_trainning_sample），并修改训练配置 yaml 中的 data.video_folder 值。

所有训练视频都需要处理成 SMPL 和 DWPose 格式。请参阅数据处理文档（champ/docs/data_process.md at master · fudan-generative-vision/champ · GitHub）。

目录结构如下：

/training_data/
|– video01/          # A video data frame
|   |– depth/        # Depth frame sequance
|   |– dwpose/       # Dwpose frame sequance
|   |– mask/         # Mask frame sequance
|   |– normal/       # Normal map frame sequance
|   `– semantic_map/ # Semanic map frame sequance
|– video02/
|   |– …
|   `– …
`– videoN/
|– …
`– …

选择另一小批数据作为验证集，并修改训练配置 yaml 中的 validation.ref_images 和 validation.guidance_folders 根。

运行训练脚本

要训练 Champ 模型，请使用以下命令：

# Run training script of stage1
accelerate launch train_s1.py --config configs/train/stage1.yaml

# Modify the `stage1_ckpt_dir` value in yaml and run training script of stage2
accelerate launch train_s2.py --config configs/train/stage2.yaml

数据集

作者政安晨向他们的工作致敬。