摘要
在生成式人工智能领域，生成与用户指定身份一致的高保真人类视频具有重要意义，但仍然面临巨大挑战。现有方法通常依赖于大量训练参数，且难以与其他AIGC工具兼容。本文提出了一种轻量级、即插即用的身份保持视频生成框架——Stand-In。具体而言，我们在预训练的视频生成模型中引入了一个条件图像分支，通过带有条件位置映射的受限自注意力机制实现身份控制，仅需约2000对样本即可快速学习。尽管仅引入并训练了约1%的额外参数，该框架在视频质量与身份保持方面均取得了优异表现，超越了其他全参数微调方法。此外，该框架可无缝集成至其他任务中，如主体驱动视频生成、姿态参考视频生成、风格化处理以及人脸替换等。