在GitHub上发现一个挺有意思的仓库，一看是阿里通义XR实验室出品的，感觉还挺有意思，这里试玩一下。

一、仓库介绍

这里是仓库地址：Motionshop

据官方网页介绍，这个AI工具的工作原理大致如下：

人物检测

通过将文本信息与现有的闭集检测器使用基于Transformer的框架进行紧密融合，零样本目标检测也能够表现良好。感兴趣的目标候选者通过一种开集目标检测方法进行检测，随后采用主导选择方法确定最终的目标区域。

分割与跟踪

一旦目标成功检测，像素级目标区域将通过视频对象分割跟踪方法进行跟踪，该方法由广泛使用的零样本分割方法（Segment Anything Model，SAM）初始化和精化。与直接使用SAM相比，时间对应关系被提升，以更好地处理视频分割任务。

修补

剩余的图像区域通过视频修补完成。具体而言，采用了循环流完成以恢复受损的流场，采用了在图像和特征领域上进行的双域传播，以增强全局和局部的时间一致性，此外，考虑到仅使用令牌的子集，提高了效率，减少了内存消耗，同时保持性能。

姿势估计

给定角色视频序列，应用姿势估计方法CVFFS来估计稳定的人体姿势。SMPL人体模型用于表示3D人体，这是一种广泛使用的参数化模型，用于人体形状和姿势估计。

动画重定向

估计的形状和姿势被映射到所选的3D模型上。然后，该模型可以像原始视频中的角色一样自然而流畅地播放。即使原始角色和新模型之间存在显著差异，也能取得满意的结果。

光照估计

当新的3D模型替换感兴趣的角色时，光照条件需要与原始视频保持一致。我们应用光照估计来更好地整合新的3D模型和原始场景。未来，我们还将使用光照估计进行阴影。

渲染

使用路径追踪渲染引擎TIDE来渲染新的3D模型。它与精确的材料系统相结合，辅以运动模糊、时间反锯齿和时间去噪等算法。这个引擎将逼真性与速度结合起来，为用户更有效地获取视频奠定了坚实的基础。

合成

最后，渲染的图像与原始视频合成，生成最终的视频。

（注：以上信息来自官网，由GPT翻译）

二、试玩

从Bilibili找到一小段舞蹈小视频，视频要求不超过15s。上传完成之后，模型会识别出里边的人物并框出。

底下可以选择几个角色形象，选择完成后点击生成视频，右侧会显示排队中。等待完成即可。

以下是使用可莉的结果：

以下是使用旅行者荧的结果：

Gif图太大了，图中的模糊都是因为压缩导致的，原视频是没有这个问题的。原视频：

可莉

荧

三、感想

可以看到，角色动作被完整的捕捉下来，视频的背景也被完整的保留下来。美中不足的有两点：

1、排队等待时间太长了

2、渲染本身好像有点问题，有个黑色的辫子穿模

但是不得不说，现在AI的效果真的挺厉害的。