arXiv cs.AI· Sangeyl Lee, Seunghyun Shin, Seungho Park, Wooseok Jeon, Hae-Gon Jeon·· 3 天前AI 评分24
WeLike2Party：无需显式姿态提取的多人物图像动画上下文动作迁移
WeLike2Party! In-Context Motion Transfer for Multi-Human Image Animation
AI 导读
研究者提出 WeLike2Party，一个基于直接上下文视频条件的多人物动画框架，推理时无需提取显式姿态或人体网格，并引入 Reference Asymmetric RoPE Conditioning 与 Identity Binding Supervision 来保持外观细节和身份-动作绑定。
正文 · AI 翻译
摘要：人体图像动画旨在将驱动视频中的运动迁移到参考图像中的主体上。尽管视频生成领域已取得显著进展，但实现多个交互主体的高保真动画仍是一项挑战。许多现有方法依赖显式运动表示，如 2D 骨架或参数化人体网格，并且在人物相互遮挡的情况下难以保持身份与运动的绑定关系。为解决这一局限，我们提出 WeLike2Party，一个多人物动画框架，其基于直接的上下文视频条件，在推理时无需显式提取姿态或网格。我们进一步引入参考非对称 RoPE 条件（Reference Asymmetric RoPE Conditioning）以保留细粒度外观细节，并引入身份绑定监督（Identity Binding Supervision）将每个参考身份与其预期的运动轨迹相关联。为支持跨身份训练，我们构建了 MotionTwin，一个大规模合成数据集，包含 14.4K 个跨身份视频对，这些视频对共享主体和相机运动，总计 84.3 小时的照片级真实感视频。我们还提出了 MotionTwin-Bench，一个专为评估主体级视觉保真度和身份-运动绑定而设计的跨身份基准。在 MotionTwin-Bench 和真实世界视频上的大量实验表明，WeLike2Party 在主体级视觉保真度、身份-运动绑定和整体感知质量方面优于近期最先进的方法，尤其是在存在大量遮挡的多人物交互场景中。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.36937 [cs.CV] |
| （或 arXiv:2609.36937v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.36937 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Seunghyun Shin 先生 [查看电子邮件]
[v1]
2026年9月29日星期二 07:50:05 UTC（25,028 KB）
[v2]
2026年10月13日星期二 07:05:17 UTC（25,028 KB）
来源：arXiv cs.AI · arxiv.org