AnyI2V：复旦×阿里达摩院发布无训练图像动画框架，静态图秒变可控动态视频

💡 站外导读：当前AI视频生成领域面临两大核心痛点：一是严重依赖大规模成对训练数据，数据获取成本高昂；二是生成过程缺乏精确的运动控制能力，难以满足专业创作需求。在AIGC浪潮席卷全球的背景下，如何降低技术门槛、提升生成可控性成为行业突破的关键。复旦大学与阿里达摩院联合推出的AnyI2V框架，针对这些痛点提出了创新解决方案。

AnyI2V是什么

AnyI2V 是复旦大学、阿里巴巴达摩院和湖畔实验室联合推出的创新图像动画生成框架。框架无需大量训练数据，能将静态条件图像（如网格、点云等）转化为动态视频，支持用户自定义运动轨迹。AnyI2V 支持多种模态输入，可通过 LoRA 和文本提示灵活编辑，框架在空间和运动控制方面表现出色，为图像动画化提供高效、灵活的新方法。

AnyI2V的主要功能

• 多模态支持：支持多种类型的条件输入，包括网格、点云等难以获取成对训练数据的模态。
• 混合条件输入：框架能接受不同类型的条件输入组合，进一步增加输入的灵活性。
• 编辑功能：通过LoRA或不同的文本提示，对原始图像进行编辑，实现风格迁移和内容调整。
• 运动控制：支持用户通过定义运动轨迹控制视频的动画效果，实现精确的运动控制。
• 无需训练：无需大量的训练数据和复杂的训练过程，降低使用门槛。

AnyI2V的技术原理

• DDIM反演：AnyI2V 对条件图像进行 DDIM（Denoising Diffusion Implicit Model）反演。DDIM 是扩散模型，通过逐步去除噪声恢复图像。在反演过程中，AnyI2V 从条件图像中提取特征，将用在后续的动画生成。
• 特征提取与替换：在提取特征时，AnyI2V 移除 3D U-Net 中的 时间模块（temporal self-attention），模块主要用在处理视频中的时间信息，条件图像只有空间信息。从 3D U-Net 的空间块中提取特征，在特定的时间步保存特征。
• 优化潜在表示：AnyI2V 将提取的特征替换回 3D U-Net 中，优化潜在表示。通过自动生成的语义掩码进行约束，确保优化只在特定区域进行。语义掩码根据条件图像的内容动态生成，提高生成效果的准确性。
• 运动控制：用户通过定义运动轨迹控制动画的生成。AnyI2V 将运动轨迹作为输入，结合优化后的潜在表示，生成符合用户定义运动的视频。运动控制机制使用户能精确地控制视频中对象的运动路径。

AnyI2V的项目地址

• 项目官网：https://henghuiding.com/AnyI2V/
• GitHub仓库：https://github.com/FudanCVL/AnyI2V
• arXiv技术论文：https://arxiv.org/pdf/2507.02857

AnyI2V的应用场景

• 动画制作：动画师快速生成动画原型，直接将静态图像转化为动态视频，为动画创作提供更多的创意空间。
• 视频特效：在影视制作中，用在生成复杂的视觉特效，将静态的场景图像转化为动态的背景，或为角色添加动态效果，增强视觉冲击力。
• 游戏开发：游戏开发者生成游戏中的动态场景和角色动画，为游戏带来更加丰富和生动的视觉效果。
• 动态广告：广告设计师将静态广告图像转化为动态视频，吸引观众的注意力。
• 社交媒体内容：品牌和内容创作者生成引人注目的社交媒体视频，，提高内容的传播率和用户参与度。