magic-animate
MagicAnimate 是一款基于扩散模型的人像动画生成开源项目，能够将单张静态人物照片转化为流畅自然的动态视频。在 AI 视频生成领域，保持人物动作的时序一致性一直是个难题，传统方法常出现画面闪烁或肢体扭曲的情况。MagicAnimate 通过引入 DensePose ControlNet 和时序注意力机制，有效解决了这一问题，确保生成视频中人物身份特征稳定且动作连贯。
作为 CVPR 2024 的收录成果，MagicAnimate 基于 Stable Diffusion V1.5 构建，支持本地 GPU 部署及多卡加速推理。它主要面向 AI 开发者、计算机视觉研究人员以及数字内容设计师，帮助他们低成本实现高质量的人像动效创作。此外，项目还提供了便捷的 Gradio 在线演示和本地 Demo，普通用户也能快速体验从静态到动态的转换过程。无论是用于学术研究还是创意制作，MagicAnimate 都提供了一个强大的技术底座。
使用场景
某电商内容团队急需为新款夏季连衣裙制作模特动态展示视频，用于社交媒体推广，但手头仅有静态拍摄的高清照片。
没有 magic-animate 时
- 传统动效制作依赖人工逐帧绘制或复杂的骨骼绑定，耗时极长且人力成本高昂。
- 通用换脸或简单动画工具容易导致人物面部变形、服装纹理模糊甚至失真。
- 生成的视频序列帧之间闪烁严重，缺乏连贯的自然运动感，观众体验差。
- 难以保持多镜头下人物外观的一致性，后期修复工作量大且效果不佳。
使用 magic-animate 后
- magic-animate 直接输入静态人像与驱动视频，即可快速生成流畅的动态效果。
- 模型能精准保留人物五官特征与服装细节，有效避免身份识别错误或形象崩坏。
- 利用先进的时序一致性技术，消除了画面抖动，动作过渡自然平滑如实拍。
- 大幅缩短制作周期，无需专业动画师介入即可产出高质量宣传素材。
magic-animate 让静态照片秒变流畅视频，显著降低了数字人营销内容的制作门槛与成本。
运行环境要求
- 未说明
需要 NVIDIA GPU (CUDA>=11.3)，支持单卡/多卡推理，显存大小未说明
未说明
快速开始
MagicAnimate: 基于扩散模型 (Diffusion Model) 的时间一致性人类图像动画
Zhongcong Xu
·
Jianfeng Zhang
·
Jun Hao Liew
·
Hanshu Yan
·
Jia-Wei Liu
·
Chenxu Zhang
·
Jiashi Feng
·
Mike Zheng Shou
新加坡国立大学 | 字节跳动
|
|
📢 新闻
- [2023.12.4] 发布推理代码和 Gradio 演示。我们正在努力改进 MagicAnimate，敬请期待！
- [2023.11.23] 发布 MagicAnimate 论文和项目页面。
🏃♂️ 入门指南
下载 StableDiffusion V1.5 的预训练基础模型和 MSE 微调的 VAE（变分自编码器）。
下载我们的 MagicAnimate 检查点（checkpoints）。
请遵循 Hugging Face 的下载说明来下载上述模型和检查点，建议使用 git lfs。
将基础模型和检查点按如下方式放置：
magic-animate
|----pretrained_models
|----MagicAnimate
|----appearance_encoder
|----diffusion_pytorch_model.safetensors
|----config.json
|----densepose_controlnet
|----diffusion_pytorch_model.safetensors
|----config.json
|----temporal_attention
|----temporal_attention.ckpt
|----sd-vae-ft-mse
|----config.json
|----diffusion_pytorch_model.safetensors
|----stable-diffusion-v1-5
|----scheduler
|----scheduler_config.json
|----text_encoder
|----config.json
|----pytorch_model.bin
|----tokenizer (all)
|----unet
|----diffusion_pytorch_model.bin
|----config.json
|----v1-5-pruned-emaonly.safetensors
|----...
⚒️ 安装
前置依赖：python>=3.8, CUDA>=11.3, 和 ffmpeg。
使用 conda 安装：
conda env create -f environment.yaml
conda activate manimate
或使用 pip：
pip3 install -r requirements.txt
💃 推理
在单个 GPU 上运行推理：
bash scripts/animate.sh
在多个 GPU 上运行推理：
bash scripts/animate_dist.sh
🎨 Gradio 演示
在线 Gradio 演示：
快速尝试我们的 在线 Gradio 演示。
本地 Gradio 演示：
在单个 GPU 上启动本地 Gradio 演示：
python3 -m demo.gradio_animate
如果您有多个 GPU，请启动本地 Gradio 演示：
python3 -m demo.gradio_animate_dist
然后在本地浏览器中打开 Gradio 演示。
🙏 致谢
我们要感谢 AK(@_akhaliq) 和 Hugging Face 团队在搭建在线 Gradio 演示方面提供的帮助。
🎓 引用
如果您发现此代码库对您的研究有用，请使用以下条目。
@inproceedings{xu2023magicanimate,
author = {Xu, Zhongcong and Zhang, Jianfeng and Liew, Jun Hao and Yan, Hanshu and Liu, Jia-Wei and Zhang, Chenxu and Feng, Jiashi and Shou, Mike Zheng},
title = {MagicAnimate: Temporally Consistent Human Image Animation using Diffusion Model},
booktitle = {arXiv},
year = {2023}
}
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
tesseract
Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。 在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。 Tesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中