MuseV English 中文

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 HuggingfaceSpace [project](comming soon) Technical report (comming soon)

我们在2023年3月相信扩散模型可以模拟世界，也开始基于扩散模型研发世界视觉模拟器。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。MuseV 站在开源的肩膀上成长，也希望能够借此反馈社区。接下来，我们将转向有前景的扩散+变换器方案。

我们已经发布 MuseTalk. MuseTalk是一个实时高质量的唇同步模型，可与 MuseV 一起构建完整的虚拟人生成解决方案。请保持关注！

概述

MuseV 是基于扩散模型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，不会再有误差累计的问题，尤其适用于固定相机位的场景。
提供了基于人物类型数据集训练的虚拟人视频生成预训练模型。
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 文图生成生态系统，包括 base_model、lora、controlnet 等。
支持多参考图像技术，包括 IPAdapter、ReferenceOnly、ReferenceNet、IPAdapterFaceID。
我们后面也会推出训练代码。

重要更新

musev_referencenet_pose: unet, ip_adapter 的模型名字指定错误，请使用 musev_referencenet_pose而不是musev_referencenet，请使用最新的main分支。

进展

[2024年3月27日] 发布 MuseV 项目和训练好的模型 musev、muse_referencenet、muse_referencenet_pose。
[03/30/2024] 在 huggingface space 上新增 gui 交互方式来生成视频.

模型

模型结构示意图

model_structure

并行去噪算法示意图

parallel_denoise

测试用例

生成结果的所有帧直接由MuseV生成，没有时序超分辨、空间超分辨等任何后处理。

以下所有测试用例都维护在 configs/tasks/example.yaml，可以直接运行复现。

输入文本、图像的视频生成

人类

image	video	prompt
		(masterpiece, best quality, highres:1),(1girl, solo:1),(beautiful face, soft skin, costume:1),(eye blinks:{eye_blinks_factor}),(head wave:1.3)
		(masterpiece, best quality, highres:1),(1girl, solo:1),(beautiful face, soft skin, costume:1),(eye blinks:{eye_blinks_factor}),(head wave:1.3)
		(masterpiece, best quality, highres:1), peaceful beautiful sea scene
		(masterpiece, best quality, highres:1), peaceful beautiful sea scene
		(masterpiece, best quality, highres:1), playing guitar
		(masterpiece, best quality, highres:1), playing guitar
		(masterpiece, best quality, highres:1), playing guitar
		(masterpiece, best quality, highres:1), playing guitar
		(masterpiece, best quality, highres:1),(1man, solo:1),(beautiful face, soft skin, costume:1),(eye blinks:{eye_blinks_factor}),(head wave:1.3)
		(masterpiece, best quality, highres:1),(1girl, solo:1),(beautiful face, soft skin, costume:1),(eye blinks:{eye_blinks_factor}),(head wave:1.3)
		(masterpiece, best quality, highres:1),(1man, solo:1),(beautiful face, soft skin, costume:1),(eye blinks:{eye_blinks_factor}),(head wave:1.3)
		(masterpiece, best quality, highres:1),(1girl, solo:1),(beautiful face, soft skin, costume:1),(eye blinks:{eye_blinks_factor}),(head wave:1.3)
		(masterpiece, best quality, highres:1),(1girl, solo:1),(beautiful face, soft skin, costume:1),(eye blinks:{eye_blinks_factor}),(head wave:1.3)

场景

image	video	prompt
		(masterpiece, best quality, highres:1), peaceful beautiful waterfall, an endless waterfall
		(masterpiece, best quality, highres:1), peaceful beautiful river
		(masterpiece, best quality, highres:1), peaceful beautiful sea scene

输入视频条件的视频生成

当前生成模式下，需要参考视频的首帧条件和参考图像的首帧条件对齐，不然会破坏首帧的信息，效果会更差。所以一般生成流程是

确定参考视频；
用参考视频的首帧走图生图、controlnet流程，可以使用MJ等各种平台；
拿2中的生成图、参考视频用MuseV生成视频；

pose2video

duffy 的测试用例中，视觉条件帧的姿势与控制视频的第一帧不对齐。需要posealign 将解决这个问题。

image	video	prompt
		(masterpiece, best quality, highres:1)
		(masterpiece, best quality, highres:1)

MuseTalk

talk的角色孙昕荧著名的网络大V，可以在抖音关注。

name	video
talk
talk
sing

待办事项：

技术报告（即将推出）。
训练代码。
扩散变换生成框架。
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

建议您优先使用 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。但依然请优先使用 docker。

方法 1：使用 Docker

拉取 Docker 镜像

docker pull anchorxia/musev:latest

运行 Docker 容器

docker run --gpus all -it --entrypoint /bin/bash anchorxia/musev:latest

docker启动后默认的 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 openmmlab 包

如果不使用 Docker方式，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"

准备我们开发的包

下载

git clone --recursive https://github.com/TMElyralab/MuseV.git

准备 PYTHONPATH

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

MMCM：多媒体、跨模态处理包。
diffusers：基于 diffusers 修改的 diffusers 包。
controlnet_aux：基于 controlnet_aux 修改的包。

下载模型

git clone https://huggingface.co/TMElyralab/MuseV ./checkpoints

motion：多个版本的视频生成模型。使用小数据集 ucf101 和小 webvid 数据子集进行训练，约 60K 个视频文本对。GPU 内存消耗测试在 resolution $=512*512，time_size=12。
- musev/unet：这个版本仅训练 unet 运动模块。推断 GPU 内存消耗 $\approx 8G$。
- musev_referencenet：这个版本训练 unet 运动模块、referencenet、IPAdapter。推断 GPU 内存消耗 $\approx 12G$。
  - 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：图像特征变换层，参考 IPAdapter。
- musev_referencenet_pose：这个版本基于 musev_referencenet，固定 referencenet 和 controlnet_pose，训练 unet motion 和 IPAdapter。推断 GPU 内存消耗 $\approx 12G$。
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：视觉特征抽取模型。
- ip-adapter_sd15.bin：原始 IPAdapter 模型预训练权重。
- ip-adapter-faceid_sd15.bin：原始 IPAdapter 模型预训练权重。

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。该模块主要是在配置文件中设置模型路径和缩写，以在推断脚本中使用简单缩写而不是完整路径。

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

输入文本、图像的视频生成

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_batch 1  --target_datas yongen  --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder  --time_size 12 --fps 12

通用参数：

test_data_path：测试用例任务路径
target_datas：如果 test_data_path 中的 name 在 target_datas 中，则只运行这些子任务。sep 是 ,；
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：扩散模型每次生成一个片段，这里是一个片段的帧数。默认为 12。
n_batch：首尾相连方式生成总片段数，$total_frames=n_batch * time_size + n_viscond$，默认为 1。
context_frames：并行去噪子窗口一次生成的帧数。如果 time_size > context_frame，则会启动并行去噪逻辑， time_size 窗口会分成多个子窗口进行并行去噪。默认为 12。

生成长视频，有两种方法，可以共同使用：

视觉条件并行去噪：设置 n_batch=1，time_size = 想要的所有帧。
传统的首尾相连方式：设置 time_size = context_frames = 一次片段的帧数 (12)，context_overlap = 0。会首尾相连方式生成n_batch片段数，首尾相连存在误差累计，当n_batch越大，最后的结果越差。

模型参数：支持 referencenet、IPAdapter、IPAdapterFaceID、Facein。

referencenet_model_name：referencenet 模型名称。
ImageClipVisionFeatureExtractor：ImageEmbExtractor 名称，在 IPAdapter 中提取视觉特征。
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，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，影响较大，默认为 3.5。
guidance_scale：在第一帧图像中 cond 和 uncond 之间的参数比例，，影响不大，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。

输入视频的视频生成

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_batch 1 --controlnet_name dwpose_body_hand  --which2video "video_middle"  --target_datas dacne1 --fps 12 --time_size 12

一些重要参数

大多数参数与 musev_text2video 相同。video2video 的特殊参数有：

需要在 test_data 中设置 video_path。现在支持 rgb video 和 controlnet_middle_video。

which2video：参与引导视频视频的参考视频部分。如果是 video_middle，则只使用类似pose、depth的 video_middle，如果是 video，视频本身会参与视频噪声初始化。等价于img2imge。
controlnet_name：是否使用 controlnet condition，例如 dwpose,depth， pose的话优先建议使用dwpose_body_hand。
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 维护在 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 训练，固定 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_pose --referencenet_model_name   musev_referencenet --ip_adapter_model_name musev_referencenet_pose    -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_batch 1 --controlnet_name dwpose_body_hand  --which2video "video_middle"  --target_datas  dacne1   --fps 12 --time_size 12

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_batch 1  --target_datas yongen  --time_size 12 --fps 12

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_batch 1 --controlnet_name dwpose_body_hand  --which2video "video_middle"  --target_datas  dacne1   --fps 12 --time_size 12

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

MuseV 开发过程中参考学习了很多开源工作 TuneAVideo、diffusers、Moore-AnimateAnyone、animatediff、IP-Adapter、AnimateAnyone、VideoFusion 和 insightface。
MuseV 基于 ucf101 和 webvid 数据集构建。

感谢开源社区的贡献！

限制

MuseV 仍然存在很多待优化项，包括：

缺乏泛化能力。对视觉条件帧敏感，有些视觉条件图像表现良好，有些表现不佳。有些预训练的 t2i 模型表现良好，有些表现不佳。
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 在高分辨率下画质很好、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。
因为使用 webvid 训练会有水印问题。使用没有水印的、更干净的数据集可能会解决这个问题。
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。
referencenet 和 IP-Adapter 训练不足，因为时间有限和资源有限。
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

代码：MuseV 的代码采用 MIT 许可证发布，学术用途和商业用途都可以。
模型：训练好的模型仅供非商业研究目的使用。
其他开源模型：使用的其他开源模型必须遵守他们的许可证，如 insightface、IP-Adapter、ft-mse-vae 等。
测试数据收集自互联网，仅供非商业研究目的使用。
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。

JackHan / MuseV .gitee-modal { width: 500px !important; }

MuseV English 中文

概述

重要更新

进展

模型

模型结构示意图

并行去噪算法示意图

测试用例

输入文本、图像的视频生成

人类

场景

输入视频条件的视频生成

MuseTalk

待办事项：

快速入门

准备环境

准备 Python 环境

方法 1：使用 Docker

方法 2：使用 conda

方法 3：使用 pip requirements

准备 openmmlab 包

准备我们开发的包

下载

准备 PYTHONPATH

下载模型

推理

准备模型路径

musev_referencenet

输入文本、图像的视频生成

输入视频的视频生成

musev_referencenet_pose

musev

文本到视频

视频到视频

Gradio 演示

致谢

限制

引用

免责声明/许可

简介

发行版

贡献者

近期动态

搜索帮助

JackHan / MuseV