HumanDiT – 浙大联合字节推出的姿态引导人体视频生成框架

HumanDiT 是浙江大学和字节跳动联合提出的姿态引导的高保真人体 视频生成 框架。基于扩散变换器（Diffusion Transformer，DiT），能在大规模数据集上训练，生成具有精细身体渲染的长序列人体运动视频。HumanDiT 的核心优势在于姿态引导机制，通过关键点扩散变换器（Keypoint-DiT）生成后续姿态序列，保证视频中人体动作的连贯性和自然性。引入了前缀潜在参考策略，在长序列中保持个性化特征。 HumanDiT 支持多种视频分辨率和可变序列长度，适合长序列视频生成。基于姿态适配器实现给定序列的姿态转移，进一步提升了姿态对齐的准确性。

官网：https://arxiv.org/pdf/2502.04847

立即打开官网