HumanVid是什么

HumanVid是香港中文大学和上海人工智能实验室共同推出的高质量数据集，专为人类图像动画训练设计。结合了现实世界视频和合成数据，通过精心设计的规则筛选高质量视频，并使用2D姿势估计和SLAM技术进行注释。HumanVid旨在提高视频生成的控制性和稳定性，通过基线模型CamAnimate验证了其有效性，在控制人物姿势和摄像机运动方面达到了先进水平。项目计划在2024年9月底公开代码和数据集。

HumanVid的主要功能

高质量数据集成：结合了现实世界和合成数据，确保数据集的丰富性和多样性。版权自由：所有视频和3D头像资产都是无版权的，便于研究和使用。规则筛选：通过规则筛选机制，确保数据集中的视频具有高质量。人体和摄像机运动注释：使用2D姿势估计和SLAM技术对视频中的人体和摄像机运动进行精确注释。

HumanVid的技术原理

数据集构建：HumanVid通过从互联网上收集大量版权免费的现实世界视频，并结合合成数据来构建数据集。视频经过精心设计的规则筛选，确保了数据集的高质量。注释技术：使用2D姿势估计器对视频中的人体动作进行注释，同时采用基于SLAM（Simultaneous Localization and Mapping，即同时定位与建图）的方法来注释摄像机的运动。合成数据生成：为了增加数据集的多样性，HumanVid收集了版权免费的3D头像资产，并引入了基于规则的摄像机轨迹生成方法，模拟不同的摄像机运动。模型训练：HumanVid建立了一个基线模型CamAnimate，考虑了人体和摄像机运动作为条件，通过在HumanVid数据集上的训练，能够生成具有控制人物姿势和摄像机运动的视频。

HumanVid的项目地址

GitHub仓库：https://github.com/zhenzhiwang/HumanVid