现在，各位二次元萌新们，不用再等「太太」出图啦!
我们不仅可以自己产粮，而且还是会动的那种。
如今，AI视频生成这个赛道，可谓是杀得如火如荼。这些更新更强的模型，思路和Scaling Law一脉相承，主打一个「又大又全」。
然而出图效果如何，全靠「抽卡」运气，更别提真实视频生成的恐怖谷效应、动漫视频生成的画风突变。
和大语言模型类似，在应用落地上想要全盘通吃的，就很难根据行业特征和专属诉求去进行专注的服务。
尤其是对于「二刺螈」小编来说，一直以来都没有找到合适的模型。
毕竟，作为普通动漫爱好者，想要和喜爱的角色同框出镜，或二创，没有绘画技能也只能空想。
从脚本构思、关键帧绘图、骨骼绑定到动态渲染，都需要付出大量的时间和精力。
来源网络
最近，小编发现了一个专为二次元打造的创作网站「YoYo」——
只需通过文字提示或者上传图片等简单操作，即可一键获得生成高质量一致性强的动漫内容，让喜欢的角色栩栩如生地出现在「同人视频」中了!
大陆站传送门：yoyo.avolutionai.com
国际站传送门：yoyo.art
同人视频一键get
可以看到，YoYo不仅创作界面简洁，而且操作起来也非常容易上手。
而且最重要的是，对于动漫爱好者和创作者来说，二次元氛围沉浸感极强。
不管是提示词还是图片，都有着非常丰富的高质量素材——几十个流行人物角色，以及通用、平涂、机甲等各种风格，可谓是一站式集齐，让人直呼过瘾。
这些定制选择，可以在生成过程中控制角色的设计、故事走向，甚至是每一个细微的动画效果。
图文生动漫
话不多说，先来一波实测。
樱花飘落、颔首浅笑，再加上精致的的背景和服装，日漫的氛围感一下就出来了。
prompt：穿着和服的女子在开满印花的庭院
燃烧的蜡烛，火焰般的眼眸，黑色的lolita，诡异的氛围，拿捏得十分到位。
prompt：最高品质，杰作，插图，超级详细，(1女性:1.2)，及肩长发，哥特服饰，闹鬼的大厦，拿着蜡烛，诡异
接下来，再看看出色的人物一致性。(白毛控狂喜)
从嫉恶如仇的屠龙少女——
prompt：1girl ，hair between eyes ，white hair， blue eyes，long hair，no hat，white dress ，elf，pointy ears, fight with a big dragon, sword
到林间散步的青涩女孩——
prompt：1girl，white hair，elf，blue eyes，long hair，pointy ears，sitting in river，stars，white dress，pink canvas backpack，taking a walk in the forest
亦或是坐在水中的精灵公主——
prompt：1girl，white hair，elf，blue eyes，long hair，pointy ears，sitting in river，stars，white dress，sitting quietly on the water
顺便一提，中英混合的prompt也是可以支持的。
prompt：1girl，hair between eyes，white hair，blue eyes，long hair，no hat，white dress，elf，pointy ears，瀑布，坐在瀑布下面，双手合十，闭眼
从上面这些动图可见，AI还原出了精准而富有表现力的人物表情，让短短几秒的视频充满了故事感。
头发、蒲公英和身上的裙子，一同在随风飘动非常自然。
prompt：一个紫色长发的女孩，在长满蒲公英的草原迎风微笑，天空中闪烁极光
落下的雪和杯中的热气升腾，即使相互交织在一起也能一眼分清。
prompt：一个围着围巾的短发女孩，在大雪天喝着热茶
一台巨大的「萝卜」矗立在城市里，林立的高楼描绘出震撼的场景。
prompt：机甲，无人，独自，云，武器，科幻，发光，天空，拿着武器，建筑物，城市
除了人物角色之外，背景的生成也非常有电影镜头的感觉。
prompt：梦幻的森林大陆的鸟瞰全貌，有森林湖泊，有小小的城镇，也有远远的高山
prompt：一个古朴小镇热闹的街市
从此，不论我们脑海有多么奇幻的场景，都可以让它在动画中还原出来了!
prompt：梦幻的森林大陆上的森林，小兔子，小松鼠，五彩的蘑菇
prompt：一只通体雪白，角生梅花的鹿站在雪山顶峰眺望远方，身边发出微光
画面一键「复刻」
在「风物」这个场景中，我们可以一键「复刻」同好们生成的心仪场景。
选择「取材」后，模型根据同样的prompt，就生成了类似风格的图。
接着点「生成视频」——穿着JK制服的长发女孩，和弹钢琴的白色猫猫，这画面简直不要太美。
生成模型
当前AI生成的视频存在两大技术缺陷，一是可控性，二是生成速度。
以往的模型大多使用图像或文本指令作为生成条件，但缺少对视频中动作的精确、交互式控制。在生成视频时速度也非常慢，这对于C端应用来说也会严重影响用户体验。
为了解决这些模型缺陷，鹿影团队长期专注于技术攻关，并取得了丰硕的成果，发表了多篇「干货满满」的高水平论文。
Motion-I2V
今年1月刚刚发表的Motion-I2V论文提出了创新的图生视频框架，对于复杂图像，也能生成一致且可控的视频。
论文地址：https://arxiv.org/abs/2401.15977
之前的方法，例如AnimateDiff架构，通常会让模型同时负责运动建模和视频生成，直接学习从图像到视频的映射关系。
论文提出，这种合二为一的做法会导致细节上的动作失真和时序不一致。Motion-I2V则选择解耦这两个过程。
第一阶段使用基于扩散模型的运动场预测器(motion field predictor)，参考给定的图像和文本提示，专注于像素级的运动轨迹推断，预测参考帧和所有未来帧之间的运动场映射。
第二阶段则提出了一种新颖的运动增强时序层，用于增强模型中有限的一维时间注意力。这个操作可以扩大时序感受域，减轻了同时学习时空模式的复杂性。
有了第一阶段轨迹预测的指导，第二阶段的模型能更有效地将所给图像的特征传播至合成的视频帧，加上稀疏的轨迹控制网络Control-Net，Motion-I2V还可以支持用户对运动轨迹和运动区域的精准控制。
与仅依赖文本prompt相比，这种方法为I2V过程提供了更多的可控性。此外，第二阶段的模型还天然地支持零样本生成，以及视频到视频的转换。
与现有方法相比，即使在运动幅度较大、视角变化的情况下，Motion-I2V也能生成更一致的视频。
从demo中可以明显看出，相比Pika、Gen-2等模型，Motion-I2V的确能模拟出更好的运动形态，视觉细节也更逼真。
AnimateLCM
在文生视频方面，今年2月发表的AnimateLCM模型公开了源代码和预训练权重，仅需4个迭代步骤就能生成质量优秀的动画，因此受到了开源社区的广泛欢迎，仅单月下载量就超过6万。
仓库地址：https://huggingface.co/wangfuyun/AnimateLCM
文章提出，扩散模型的虽然有优秀的生成效果，但其中迭代去噪过程包含30～50个步骤，计算量很大且比较费时，因而对实际应用造成了限制。
团队从潜在一致性模型(Latent Consistency Model，LCM)中得到启发，旨在用最少步骤生成高质量的逼真模型。
论文地址：https://arxiv.org/abs/2402.00769
AnimateLCM没有直接在原始的视频数据集上进行训练，而是从训练好的Stable Diffusion模型中蒸馏出先验知识。并且采用了解耦策略，将图像生成和运动生成的先验分开，再对图像模型进行3D膨胀，能够提高训练效率和生成质量。
此外，为了让AnimateLCM模型更好地适应社区中被广泛应用的各种适配器(adapter)，论文提出了一种不需要额外教师模型的「加速」策略来训练适配器。
实验证明，这种策略行之有效。搭配图像条件适配器或布局条件适配器时都有很好的兼容性，不仅没有损害采样效率，还实现了模型功能的扩展。
除了文生视频和图生视频，AnimateLCM还能在零样本情况下进行高效的视频风格迁移，或者用于扩展视频长度，最多可达到基本长度的4倍，并且实现了近乎完美的一致性。
Phased Consistency Model
虽然AnimateLCM已经取得了很好的效果，但开发团队并没有就此止步，而是选择在此基础上进一步探索。
在5月发表的最新论文中，作者指出，潜在一致性模型依旧存在一些本质缺陷。论文逐个调查了这些缺陷背后的成因，并提出了改进过的阶段一致性模型(Phased Consistency Model，PCM)，实现了显著的提升。
论文地址：https://arxiv.org/abs/2405.18407
CM和LCM的设计局限主要体现在三方面：
1. 可控性：在图像和视频生成中，有一个名为CFG的重要参数(classifier-free guidance)，控制文本提示对生成结果的影响程度。CFG值越高，图像或视频与提示的相关程度就越高，但也提高了画面失真的可能性。
Stable Diffusion模型在较大的CFG值范围内(2～15)都能生成出较好的画面，但LCM可接受的CFG值一般不能超过2.否则就会出现过度曝光问题。
无法提高CFG值，大大限制了文本提示对生成视频的可控性。此外，LCM对负面提示也非常不敏感，比如下图的第一个例子中，模型会「明目张胆」地无视提示要求，偏要生成一只带黑色毛的狗。
2. 一致性：这两种模型都只能使用随机的多步采样算法，因此即使采用同一个种子开始生成，在推理过程中也能看到各步骤之间明显的不一致。
3. 效率：除了上面两个硬伤之外，作者发现，LCM在少于4步的少步骤推理中无法给出较好的生成结果，因而限制了采样效率。
PCM的架构设计就很好地解决了以上三个缺陷：
PCM模型支持确定性采样，能够保持多个推理步骤中的图像一致性
PCM可以使用LCM中不可用的普通常微分方程求解器，代替原有的CFG增强的求解策略，从而让模型能够接受更高的CFG值
在隐空间中引入对抗性损失来确保图像分布的一致性，大大提升了少步骤推理情况下的生成效果
实施了针对性的解决措施后，PCM在1～4步推理时生成的视频效果相比LCM有了肉眼可见的显著优化。后续的消融实验也证明了PCM这些创新设计的必要性。
从MotionI2V到AnimateLCM，再到最新的PCM，鹿影团队逐步的迭代中不断寻求突破和提升，实现了PCM的惊艳效果，模型的先进性能从基准测试的得分和横向对比中就可见一斑。
在单步推理生成图像时，PCM方法在2个数据集、5个指标上几乎都超过了Stable Diffusion-Turbo的得分，一致性得分的优势更加显著，从SD-Turbo的0.71提升至0.81.
当推理步骤从第1步逐渐增大到第16步时，这种优势依旧明显。多数情况下，使用普通ODE求解方法的更胜一筹。
使用CLIP分数、光流估计、CLIP一致性三个指标量化评估视频生成质量时，PCM模型依旧在少步骤推理(≤4步)中取得了明显的优势，相比其他两个Diffusion架的构基线模型DDIM、DPM以及AnimateLCM都有大幅度提升。
值得一提的是，鹿影科技的研发并非一朝一夕之功，他们的技术创新持续数年并不断迭代。
比如2022年提出的新颖架构FlowFormer在当时的Sintel光流基准测试中排名第一，2023年发布的视频光流估计框架VideoFlow在所有公共基准测试上刷新了SOTA。
论文地址：https://arxiv.org/abs/2203.16194
论文地址：https://arxiv.org/abs/2303.08340
MPI Sintel是由华盛顿大学、佐治亚理工学院和马克·普朗克研究所的多名研究人员共同开发的开源数据集，是目前光流算法领域使用最广泛的基准之一。其中的样本很好地代表了自然场景和运动，对当前的方法极具挑战性。
在最新的排行榜上，前五名中VideoFlow系列就占据了三个位置，其中ViCo_VideoFlow_MOF更是排名第一，足可见鹿影团队的技术沉淀和硬实力。
一直以来，我们高喊国漫崛起，但新作品发展迟缓，始终未能实现真正的突破。
未来，有了AI的入局，会让动漫制作的现状和创意，得到极大地改善。
对于鹿影科技，接下来要做的是，让科研成果迅速转化，让AI工具帮助原创动漫实现指数级增长。
