整理 | 傅宇琪
只需轻轻一点，静态的皮卡丘就会露出灿烂笑容：
咖啡会源源不断地冒出热气：
漂亮姐姐会朝你眨眼：
以上这些效果，均来自一个新的图生视频模型 Follow-Your-Click，由腾讯混元、清华大学和香港科技大学联合推出。
这个模型使用起来也非常简单：
把任意一张照片输入模型点击想选中的区域加上少量简单的提示词（如：动作、神态等）图片中原本静态的区域就能动起来。
相关研究论文已经在 arXiv 上公开，GitHub 上也放出代码，目前已经揽星 440+。
论文链接：网页链接
代码链接：网页链接
哪里要动点哪里
通过进一步测试，可以发现 Follow-Your-Click 能够精准控制画面的动态区域。
点击画面主体，它就能够控制火箭发射和汽车行驶：
也能够生成“大笑”、“生气”、“震惊”的表情：
同样是鸟图，点击小鸟，输入“摇头”、“扇翅膀”、“跳舞”，都能得到相应更精确的动作：
总之，就是想要哪里动，就点哪里。
研究团队还将 Follow-Your-Click 和其他视频生成模型进行了同题对比，以下是实验效果：
那么，这是怎么做到的呢？
“一键点、万物动”如何实现？
当前的图生视频大模型中，一般的生成方法不仅需要用户在提示词中描述运动区域，还需要提供运动指令的详细描述，过程较为复杂。
另外，从生成的效果来看，现有图像生成视频技术在移动图像的指定部分上缺乏控制，生成的视频往往需要移动整个场景，而不是图像上的某一个区域，精准度和灵活性上有所欠缺。
Follow-Your-Click，尝试着解决这些问题。
在实现方式上，Follow-Your-Click 首先采纳了图像语义分割工具 Segment-Anything，将用户的点击操作转化为二进制区域 Mask，并将其作为网络运行的条件之一。
为了更有效地捕捉时间相关性并提升学习效果，团队引入了一种高效的首帧掩模策略。这一策略提高了模型生成视频的质量，而且有助于处理畸变和首帧重构。
为赋予模型更强的文字驱动能力，特别是在响应简短提示词方面，研究团队构建了一个名为WebVid-Motion 的数据集。该数据集通过大模型筛选和标注视频标题，着重强调人类情感、动作以及常见物体的运动，从而提升了模型对动词的响应和识别能力。
联合研究团队还打造了一个运动增强模块，这一模块不仅与数据集融合，更能够强化模型对运动相关词语的响应能力，使其理解并响应简短的提示指令。
为了实现对运动速度的准确学习，研究团队还提出了一种基于光流的运动幅度控制，使用光流模长作为新的视频运动幅度控制参数。
通过以上这些新提出的方法，加上各模块的组合，Follow-Your-Click 大大提升了可控图生视频的效率和可控性，最终实现了用简单文本指令来实现图像局部动画。
不过，由于动作的复杂性和相关训练样本的稀缺，目前，模型对于“生成大型复杂人体动作”仍然存在局限性：当想让保持体操动作的雕塑“休息休息”时，哥们放下的腿直接无痛“截肢”了。
Follow-Your-Click 联合项目组中的腾讯混元大模型团队，已经作为技术合作伙伴，支持了《人民日报》的原创视频《江山如此多娇》。
不得不说，2024 年的多模态领域是真卷啊……
参考链接：网页链接
内容推荐
InfoQ 独家邀请了潞晨科技创始人兼董事长尤洋，从技术原理、复现路径和实际应用成本考量三方面深入解读 Sora 技术和应用可行性。本次技术解读共包含Sora 的技术原理和关键组成、快速复现和集成 Sora 的指南、成本效益和实际应用考量三个核心要点，帮助大家理解 Sora 的核心技术、快速实现和集成 Sora 到自己的项目中，并提供考虑成本效益和实际应用的指导。关注「AI前线」，回复「Sora解读」获取解读视频及文字资料。
今日荐文
刚刚！马斯克履约开源Grok，超越Llama成全球最大开源模型，却被怀疑是作秀？！
零一万物刷榜遭怒怼：面向投资人编程；315锤AI诈骗：假老板骗走员工186万；知识星球屏蔽 ChatGPT、Sora| AI周报
身价7亿的周受资也没辙了？TikTok 弹窗1.7 亿用户强势反击，国会一分钟20个电话被打爆
苹果终于入局大模型了：300亿参数、MoE 架构，手机要迎来全面的大变革了？
OpenAI Sora发布时间定档，可能允许“裸体”内容出现
你也「在看」吗？