AnyCharV：基于细到粗引导的自举可控角色视频生成

角色视频生成是一项重要的实际应用，旨在生成包含特定角色的高质量视频。近期的进展引入了各种控制信号来驱动静态角色的动画，成功增强了对生成过程的控制。然而，这些方法往往缺乏灵活性，限制了其适用性，使用户难以将源角色合成到期望的目标场景中。为解决这一问题，我们提出了一个新颖框架 AnyCharV，利用任意源角色和目标场景，在姿态引导下灵活生成角色视频。我们的方法涉及两阶段训练过程。第一阶段，我们开发了一个基础模型，能够利用姿态引导将源角色与目标场景集成。第二阶段通过自举机制进一步增强可控生成，我们使用第一阶段生成的视频，将精细掩码替换为粗粒度掩码，从而实现更好地保留角色细节的训练结果。广泛的实验结果表明，我们的方法优于先前最先进的方法。