CameraCtrl
AI视频生成模型实现精准相机轨迹控制
CameraCtrl是一款基于AnimateDiffV3和SVD技术的视频生成模型，通过精确控制相机轨迹来创造连贯的多视角视频。该模型支持自定义相机移动路径，不仅适用于文本到视频生成，还能与RealEstate10K LoRA等模型结合，扩展应用场景。CameraCtrl为AI视频创作提供了更多可能性，使生成的视频内容更加丰富多样。
CameraCtrl
本仓库是 CameraCtrl 的官方实现。
此 main 分支包含在 AnimateDiffV3 上实现的 CameraCtrl 的代码和模型。关于 CameraCtrl 与稳定视频扩散的代码和模型，请参阅 svd 分支了解详情。
CameraCtrl: 为视频扩散模型启用摄像机控制 <br> 何昊、徐英豪、郭宇炜、Gordon Wetzstein、戴波、李弘升、杨策元<br>
[论文] [项目页面] [权重] [HF演示]
待办事项
- 发布推理代码。
- 发布 AnimateDiffV3 上的预训练模型。
- 发布训练代码。
- 发布 Gradio 演示。
- 在
svd分支发布 SVD 上的预训练模型。
配置
环境
- 64位 Python 3.10 和 PyTorch 1.13.0 或更高版本。
- CUDA 11.7
- 用户可以使用以下命令安装软件包
conda env create -f environment.yaml conda activate cameractrl
数据集
- 从 RealEstate10K 下载摄像机轨迹和视频。
- 运行
tools/gather_realestate.py获取每个视频的所有片段。 - 运行
tools/get_realestate_clips.py从原始视频中获取视频片段。 - 使用 LAVIS 或其他方法为每个视频片段生成说明文本。我们在 Google Drive 和 Google Drive 提供了我们提取的说明文本。
- 运行
tools/generate_realestate_json.py生成用于训练和测试的 json 文件，你可以通过从训练 json 文件中随机抽样一些项目来构建验证 json 文件。 - 完成上述步骤后，你可以得到如下结构的数据集文件夹
- RealEstate10k - annotations - test.json - train.json - validation.json - pose_files - 0000cc6d8b108390.txt - 00028da87cc5a4c4.txt - 0002b126b0a8a685.txt - 0003a9bce989e532.txt - 000465ebe46a98d2.txt - ... - video_clips - 00ccbtp2aSQ - 00rMZpGSeOI - 01bTY_glskw - 01PJ3skCZPo - 01uaDoluhzo - ...
推理
准备模型
- 从 HuggingFace 下载 Stable Diffusion V1.5 (SD1.5)。
- 从 AnimateDiff 下载 AnimateDiffV3 (ADV3) 适配器和运动模块的检查点。
- 从 HuggingFace 下载预训练的摄像机控制模型。
- 运行
tools/merge_lora2unet.py将 ADV3 适配器权重合并到 SD1.5 unet 中，并将结果保存到 SD1.5 文件夹下的新子文件夹中（如unet_webvidlora_v3）。 - （可选）从 HuggingFace 下载在 RealEstate10K 数据集上预训练的图像 LoRA 模型，以在室内和室外房产上采样视频。
- （可选）从 CivitAI 下载个性化基础模型，如 Realistic Vision。
准备摄像机轨迹和提示
- 采用
tools/select_realestate_clips.py准备轨迹 txt 文件，一些示例轨迹和相应的参考视频分别在assets/pose_files和assets/reference_videos中。生成的轨迹可以用tools/visualize_trajectory.py可视化。 - 准备提示（负面提示，特定种子），一个示例是
assets/cameractrl_prompts.json。
推理
- 运行
inference.py采样视频
python -m torch.distributed.launch --nproc_per_node=8 --master_port=25000 inference.py \ --out_root ${OUTPUT_PATH} \ --ori_model_path ${SD1.5_PATH} \ --unet_subfolder ${SUBFOUDER_NAME} \ --motion_module_ckpt ${ADV3_MM_CKPT} \ --pose_adaptor_ckpt ${CAMERACTRL_CKPT} \ --model_config configs/train_cameractrl/adv3_256_384_cameractrl_relora.yaml \ --visualization_captions assets/cameractrl_prompts.json \ --use_specific_seeds \ --trajectory_file assets/pose_files/0f47577ab3441480.txt \ --n_procs 8
其中
OUTPUT_PATH指保存结果的路径。SD1.5_PATH指下载的 SD1.5 模型的根路径。SUBFOUDER_NAME指SD1.5_PATH中 unet 的子文件夹名称，默认为unet。这里我们采用tools/merge_lora2unet.py指定的名称。ADV3_MM_CKPT指下载的 AnimateDiffV3 运动模块检查点的路径。CAMERACTRL_CKPT指
上述推理示例用于在原始 T2V 模型域中生成视频。inference.py 脚本支持使用图像 LoRA（args.image_lora_rank 和 args.image_lora_ckpt）在其他域中生成视频，如 RealEstate10K LoRA 或一些个性化基础模型（args.personalized_base_model），如 Realistic Vision。详情请参考代码。
结果
- 相同的文本提示，不同的相机轨迹
训练
步骤1（RealEstate10K 图像 LoRA）
更新配置文件 configs/train_image_lora/realestate_lora.yaml 中的以下数据和预训练模型路径
pretrained_model_path: "[替换为 SD1.5 根路径]" train_data: root_path: "[替换为 RealEstate10K 根路径]"
其他训练参数（学习率、轮数、验证设置等）也包含在配置文件中。
然后，使用 slurm 启动图像 LoRA 训练
./slurm_run.sh ${PARTITION} image_lora 8 configs/train_image_lora/realestate_lora.yaml train_image_lora.py
或使用 PyTorch
./dist_run.sh configs/train_image_lora/realestate_lora.yaml 8 train_image_lora.py
我们在 HuggingFace 上提供了我们预训练的 RealEstate10K LoRA 模型检查点。
步骤2（相机控制模型）
更新配置文件 configs/train_cameractrl/adv3_256_384_cameractrl_relora.yaml 中的以下数据和预训练模型路径
pretrained_model_path: "[替换为 SD1.5 根路径]" train_data: root_path: "[替换为 RealEstate10K 根路径]" validation_data: root_path: "[替换为 RealEstate10K 根路径]" lora_ckpt: "[替换为 RealEstate10k 图像 LoRA 检查点]" motion_module_ckpt: "[替换为 ADV3 运动模块]"
其他训练参数（学 习率、轮数、验证设置等）也包含在配置文件中。
然后，使用 slurm 启动相机控制模型训练
./slurm_run.sh ${PARTITION} cameractrl 8 configs/train_cameractrl/adv3_256_384_cameractrl_relora.yaml train_camera_control.py
或使用 PyTorch
./dist_run.sh configs/train_cameractrl/adv3_256_384_cameractrl_relora.yaml 8 train_camera_control.py
免责声明
本项目仅供学术使用。我们对用户生成的内容不承担责任。用户对自己的行为完全负责。项目贡献者在法律上不隶属于用户，也不对用户的行为负责。请负责任地使用生成模型，遵守道德和法律标准。
致谢
我们感谢 AnimateDiff 提供的出色代码和模型。
BibTeX
@article{he2024cameractrl, title={CameraCtrl: Enabling Camera Control for Text-to-Video Generation}, author={Hao He and Yinghao Xu and Yuwei Guo and Gordon Wetzstein and Bo Dai and Hongsheng Li and Ceyuan Yang}, journal={arXiv preprint arXiv:2404.02101}, year={2024} }
编辑推荐精选
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足 多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注 微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号