今天小編分享的科學經驗：字節視頻生成新突破！Phantom搞定多人物/主體一致性，歡迎閱讀。
視頻生成模型當中已經不缺強者了，但保持多主體一致性依然是一項重大挑戰。
字節智能創作團隊專門針對這個問題，推出了主體一致性視頻生成模型Phantom（" 幻影 "）。
Phantom 在主體一致性保持方面取得了突破性進展，不僅支持多主體，還能同時保持主體的完整性。
無論是人物、物品、服裝、動物，還是充滿奇幻色彩的虛拟角色，它都能精準抓取其關鍵特征，并自然地融入生成的視頻中。
比如下面這段視頻當中，" 幻影 " 就結合了場景、服裝、配飾等要素，原創出了 " 歌劇魅影 " 的片段：
精準抓取關鍵特征，視頻融合更自然身份保持視頻生成
借助面部參考影像，Phantom 生成的視頻不僅能嚴格鎖定主體的身份特征，還能依據豐富多樣的提示詞，演繹出各種精彩内容。
例如，上傳一張人物照片，模型會以此為藍本，生成該人物在不同場景下說話、行動的視頻。
人物的面部輪廓、五官細節以及獨特的表情神态，都能被高度還原，仿佛照片中的人物 " 活 " 了過來，在螢幕上真實地演繹着各種故事。
單參考主體視頻生成
只需一張參考影像，無論是可愛小動物的萌态瞬間，還是時尚服裝的獨特魅力，亦或是神秘虛拟角色的奇幻冒險，Phantom 都能精準捕捉主體的細節，将其生動地呈現在視頻中。
還有下面的小狗照片，Phantom 可以呈現它在溫馨的房間裡歡快奔跑的可愛模樣，柔軟的毛發、靈動的眼神和俏皮的神态，都被細膩地刻畫出來，讓人仿佛能感受到活潑與快樂。
多參考主體視頻生成
Phantom 支持同時上傳多張參考影像，這一強大功能使得復雜互動場景的視頻生成成為可能。
在群體場景創作中，只需上傳多個人物的照片，就能讓他們在視頻中自然地聊天。
在一些產品展示的場景，結合產品圖片和相關場景圖片，Phantom 能生成非常具有吸引力的產品展示視頻，将產品的特點和優勢完美呈現，為產品推廣注入強大動力。
在虛拟試穿場景，只需上傳服裝和人物照片，就能看到人物身着該服裝的動态效果，這有望為電商行業帶來全新的營銷模式，讓消費者的購物體驗更加直觀和有趣。
總之，Phantom 在和一眾領先的商業化工具對比中，從視頻質量，文本響應，主體一致性等多個維度處于優勢，尤其在人臉 ID 一致性方面的評估領先。
基于主體的 DiT 視頻生成方案
目前，基礎視頻生成模型主要集中在兩個主要任務——文本生成視頻（Text-to-Video，T2V）和影像生成視頻（Image-to-Video，I2V）。
視頻生成 T2V 利用語言模型來理解輸入文本指令，并生成描述預期角色、動作和背景的視覺内容。
盡管它允許創造性和富有想象力的内容組合，但由于固有的随機性，往往難以生成一直符合預期的結果。
另一方面，I2V 通常是提供影像的首幀以及可選的文本描述，以将靜态影像轉化為動态視頻。
雖然更具可控性，但内容的豐富度往往受到首幀 " 復制粘貼 " 性質的限制。通過從影像中捕捉主體并根據文本提示靈活生成視頻。
Phantom 是一個基于 DiT 的視頻生成框架，它的主要意圖是實現主體到視頻的生成 ( Subject-to-video，S2V ) 。
其本質在于平衡文本和影像這兩種模式的提示，要求模型同時對齊文本指令和參考影像内容。
從而既滿足 T2V 所發揮創造性的優勢，又不像 I2V 生成的視頻限制為輸入圖的延展。
具體來說，數據層面 Phantom 通過構建文本 - 圖片 - 視頻三元組數據，讓模型學習不同模态之間的對齊。
為了緩解類似 I2V 生成視頻 " 復制粘貼 " 輸入圖的問題，通過匹配不同視頻中的主體元素，并過濾掉具有高度視覺相似性的對象來構建交叉配對數據。
交叉配對數據可以來自同一長視頻的不同片段，也可以來自數據庫中檢索參考對象。這些主體元素主要包括人、動物、物體、背景等等。
此外，多個元素之間的互動可以進一步對場景進行分類，例如多人互動、人與寵物互動、人與物體互動。
模型層面，Phantom 繼承自 MMDiT 的架構。
在輸入頭部分，視頻編碼器和文本編碼器分别繼承自基模權重，将輸入視頻和文本 prompt 分别編碼得到相應的 latent feature。
為了不影響 MMDiT 本身的結構，參考圖被特定視覺編碼器編碼，然後分别與視頻特征和文本特征拼接，并分别輸入到 MMDiT 的 vision branch 和 text branch 進行計算。
團隊簡介
智能創作團隊是字節跳動 AI& 多媒體技術中台，通過建設領先的計算機視覺、音視頻編輯、特效處理等技術，支持抖音、剪映、即夢等公司内眾多產品線；
同時通過火山引擎為外部 ToB 合作夥伴提供業界最前沿的智能創作能力與行業解決方案。
文中示例僅為展示模型效果。如有侵權或冒犯，請聯系論文作者，将及時删除。
E-mail：[email protected]
論文鏈接：
https://arxiv.org/abs/2502.11079
項目網站：
https://phantom-video.github.io/Phantom/
代碼網址：
https://github.com/Phantom-video/Phantom
— 完 —
學術投稿請于工作日發郵件到：
标題注明【投稿】，告訴我們：
你是誰，從哪來，投稿内容
附上論文 / 項目主頁鏈接，以及聯系方式哦
我們會（盡量）及時回復你
一鍵關注 點亮星标
科技前沿進展每日見
一鍵三連「點贊」「轉發」「小心心」
歡迎在評論區留下你的想法！
