EchoMimicV2：迈向生动、简化与半身人体动画

近期人体动画工作通常涉及音频、姿态或运动图条件，从而实现生动的动画质量。然而这些方法常因额外控制条件、繁琐的条件注入模块或仅限于头部区域驱动而面临实际挑战。因此我们探讨：能否在简化不必要条件的同时实现生动的半身人体动画？为此我们提出一种半身人体动画方法，称为EchoMimicV2，利用新颖的音频-姿态动态协调策略，包括姿态采样和音频扩散，以增强半身细节、面部与手势表现力，同时减少条件冗余。为弥补半身数据稀缺，我们利用头部部分注意力机制将头像数据无缝融入训练框架，推理时可省略，为动画提供“免费午餐”。此外，我们设计了阶段特定去噪损失，分别在特定阶段引导运动、细节和低层质量。我们还提出一个评估半身人体动画有效性的新基准。大量实验和分析表明，EchoMimicV2在定量和定性评估中均超越现有方法。