Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.00830

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.00830 (cs)
[提交于 2025年6月1日 ]

标题: SkyReels-音频:视频扩散变换器中的全方位音频条件化说话人肖像

标题: SkyReels-Audio: Omni Audio-Conditioned Talking Portraits in Video Diffusion Transformers

Authors:Zhengcong Fei, Hao Jiang, Di Qiu, Baoxuan Gu, Youqiang Zhang, Jiahua Wang, Jialin Bai, Debang Li, Mingyuan Fan, Guibin Chen, Yahui Zhou
摘要: 受文本、图像和视频等多种模态输入引导的音频驱动的可操控肖像生成与编辑仍是一个未被充分探索的领域。本文提出了一种名为SkyReels-Audio的统一框架,用于合成高保真且时间上一致的可操控肖像视频。该框架基于预训练的视频扩散变换器构建,支持无限长度的生成与编辑,同时通过多模态输入实现多样化且可控的条件设置。我们采用混合课程学习策略逐步对齐音频与面部运动,从而实现对长视频序列的细粒度多模态控制。为了增强局部面部一致性,我们引入了面部掩码损失和音频引导的无分类器引导机制。滑动窗口去噪方法进一步融合了时间片段中的潜在表示,确保在扩展时间和多样身份下具有视觉保真度和时间一致性。更重要的是,我们构建了一个专用的数据管道,用于整理同步的音频、视频和文本描述组成的高质量三元组。综合基准评估表明,SkyReels-Audio在唇音同步准确性、身份一致性以及逼真的面部动态方面表现出色,尤其是在复杂和具有挑战性的条件下。
摘要: The generation and editing of audio-conditioned talking portraits guided by multimodal inputs, including text, images, and videos, remains under explored. In this paper, we present SkyReels-Audio, a unified framework for synthesizing high-fidelity and temporally coherent talking portrait videos. Built upon pretrained video diffusion transformers, our framework supports infinite-length generation and editing, while enabling diverse and controllable conditioning through multimodal inputs. We employ a hybrid curriculum learning strategy to progressively align audio with facial motion, enabling fine-grained multimodal control over long video sequences. To enhance local facial coherence, we introduce a facial mask loss and an audio-guided classifier-free guidance mechanism. A sliding-window denoising approach further fuses latent representations across temporal segments, ensuring visual fidelity and temporal consistency across extended durations and diverse identities. More importantly, we construct a dedicated data pipeline for curating high-quality triplets consisting of synchronized audio, video, and textual descriptions. Comprehensive benchmark evaluations show that SkyReels-Audio achieves superior performance in lip-sync accuracy, identity consistency, and realistic facial dynamics, particularly under complex and challenging conditions.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.00830 [cs.CV]
  (或者 arXiv:2506.00830v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.00830
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Di Qiu [查看电子邮件]
[v1] 星期日, 2025 年 6 月 1 日 04:27:13 UTC (10,041 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号