Cara Menghasilkan Animasi Morphing Imej dengan ControlNet
Disebabkan percubaan terdahulu PAIPd, kami mempunyai tanggapan untuk menggunakan ControlNet untuk morphing. Selepas itu barulah kami beralih kepada menggunakan model depth2img, yang boleh mencipta imej daripada peta kedalaman, bukannya ControlNet. Dan ControlNet boleh berfungsi bukan sahaja secara mendalam. Post ini mempunyai maklumat lanjut tentang teknik tersebut.
Saya akan memberikan anda ringkasan ringkas prosedur. Pilihan kekuatan denoising, yang memberi kesan kepada bilangan langkah semasa penjanaan, tersedia kepada kami jika kami menjana imej dalam img2img. Contohnya, dengan langkah = 30 dan kekuatan pengurangan = 0.5, hanya tinggal 15 langkah lagi untuk dibuat. Penaakulan ini boleh digunakan untuk menghidupkan morph. Anda boleh mengubah mana-mana imej; potret bukan satu-satunya yang boleh dilakukan.
Ambil gambar asal. Aktifkan ControlNet sambil membiarkan kotak gambar kosong. Pilih benih untuk menjadi -1 untuk menjana ujian rawak; kiraan kelompok mempengaruhi kuantiti mereka. Anda boleh mencuba dengan parameter panduan, berat kad yang diterima dan mod ControlNet. Jika anda suka penjanaan, seretnya dengan tetikus ke img2img dan kemudian ulangi proses itu, cari imej yang akhirnya akan menjadi imej kedua. Apabila setiap imej selesai, persoalan bagaimana untuk mencipta animasi muncul. (Untuk permulaan, ingat untuk menetapkan kiraan kelompok kepada 1 untuk mengelakkan daripada mencipta foto tambahan.)
Kami akan menggunakan penyelesaian yang menarik sekarang, tetapi saya akan bercakap tentang kelemahannya kemudian.
Plot XYZ akan digunakan; anda mesti memilihnya daripada senarai Skrip. Ia akan membolehkan kami mencipta bukan sahaja imej akhir tetapi juga peralihan daripada imej sumber.
Nilai X dalam kita letakkan dalam baris yang berbunyi:
0.0.296.0.39.0.459.0.515.0.563.0.606.0.644.0.68.0.713.0.743.0.772.0.799.0.825.0.85.0.874.0.897.0.919.0.94.0.961.
Ini bermakna apabila penjanaan bermula, kami akan menerima 21 gambar dan bukannya hanya satu (bilangan nilai yang dipisahkan dengan koma). Kenapa barisan ini ada? Sebagai contoh, ia boleh muncul secara berbeza.
Format ini menjadikannya lebih mudah untuk difahami: anda meminta 20 imej daripada automatik dan memintanya untuk menunjukkan cara denoising akan memberi kesan kepada hasil untuk nilai antara 0 hingga 1. Kelemahan pilihan kedua ialah ia menghasilkan perubahan linear dalam nilai , kerana ciri denoise, ia tidak kelihatan seperti morphing realistik. Nombor hampir sifar hampir tidak mempunyai kesan ke atas keputusan. dan pada tahap yang lebih besar daripada 0.5, , ia mula mempengaruhi dengan sangat ketara.
Akibatnya, baris pertama ialah lengkung jenis x.4, atau x dinaikkan sebanyak 0.4. Fungsi lurus, linear dan melengkung, yang akan menghasilkan output yang lebih tepat, dikontraskan dalam imej. Anda boleh menggunakan pengisar untuk mencipta rentetan sedemikian.
Anda mesti memilih jumlah bingkai untuk peralihan sebelum membuat baris anda. Ia boleh diedit dalam tetapan projek.
Anda mesti melakukan beberapa langkah untuk mendapatkan baris. Pertama, percubaan dengan bentuk lengkung. Untuk mencapai ini, pilih "Padam Kerangka Kunci" daripada menu konteks parameter animasi.
Berikut ialah formula untuk mendapatkan lengkung; parameter bertukar menjadi biru, menunjukkan bahawa pemandu sedang beroperasi di dalamnya.
Anda boleh bermain-main dengan nilai di sini. 4. Tetapi, elakkan terlalu rendah. bingkai/21 menandakan anjakan nilai daripada 0 kepada 1 pada bingkai 0 kepada bingkai 21. Hanya nilai antara 1 dan 20 bingkai yang tinggal.
Walau bagaimanapun, kunci bukan pemandu. Mereka mesti bersedia terlebih dahulu. Untuk mencapai ini, klik Objek > Animasi > Bakar Tindakan dalam tetingkap 3d dan kemudian klik OK.
Walau bagaimanapun, ini akan menjejaskan semua kekunci objek yang mungkin, dan ia harus dipadamkan. Pilih semua kecuali baris pertama dan tekan X pada papan kekunci (tetikus harus terletak di bawah senarai).
Dan sekarang, untuk mendapatkan garisan di sebelah kiri skrin, klik pada main dan buka tetingkap konsol.
Mendapat rentetan yang boleh disalin.
Sekarang untuk membuat animasi, anda perlu melakukan proses ini secara berasingan untuk setiap kedudukan gambar yang dibuat pada permulaan dan kemudian memasangnya menjadi animasi dalam beberapa editor video.
Ya, proses ini belum lagi automatik, tetapi anda boleh menyesuaikan sepenuhnya semuanya untuk diri sendiri. Anda boleh menukar model penjanaan dan model dan mod ControlNet, mendayakan atau melumpuhkan praproses, atau apa sahaja yang anda suka. Perkara utama adalah untuk tidak kehilangan hasil yang baik dan kemudian ulangi semuanya dengan betul untuk mencipta animasi.
Kelemahan teknologi — anda tidak sepatutnya meletakkan banyak asas untuk peralihan. Kami menulis di atas bahawa denoise mempengaruhi bilangan langkah. Ia mungkin ternyata bahawa output akan menduplikasi gambar kerana beberapa nilai denoise akan berada dalam bilangan langkah yang sama. Nombor mereka boleh diperhatikan dalam konsol automatik.
Teknologi ini boleh digunakan bersama-sama dengan retarder interpolator, iaitu menghantar animasi untuk melengkapkan bingkai yang hilang; ini akan memberikan perubahan yang lebih lancar.
Baca lebih banyak artikel berkaitan:
Penafian
Selaras dengan Garis panduan Projek Amanah, sila ambil perhatian bahawa maklumat yang diberikan pada halaman ini tidak bertujuan untuk menjadi dan tidak seharusnya ditafsirkan sebagai nasihat undang-undang, cukai, pelaburan, kewangan atau sebarang bentuk nasihat lain. Adalah penting untuk hanya melabur apa yang anda mampu kehilangan dan mendapatkan nasihat kewangan bebas jika anda mempunyai sebarang keraguan. Untuk maklumat lanjut, kami mencadangkan merujuk kepada terma dan syarat serta halaman bantuan dan sokongan yang disediakan oleh pengeluar atau pengiklan. MetaversePost komited kepada laporan yang tepat dan tidak berat sebelah, tetapi keadaan pasaran tertakluk kepada perubahan tanpa notis.
Tentang Pengarang
Damir ialah ketua pasukan, pengurus produk dan editor di Metaverse Post, meliputi topik seperti AI/ML, AGI, LLM, Metaverse dan Web3-bidang berkaitan. Artikelnya menarik khalayak besar lebih sejuta pengguna setiap bulan. Dia nampaknya seorang pakar dengan pengalaman 10 tahun dalam SEO dan pemasaran digital. Damir telah disebut dalam Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto dan penerbitan lain. Dia mengembara antara UAE, Turki, Rusia dan CIS sebagai nomad digital. Damir memperoleh ijazah sarjana muda dalam fizik, yang dia percaya telah memberikannya kemahiran berfikir kritis yang diperlukan untuk berjaya dalam landskap internet yang sentiasa berubah.
lebih banyak artikel
Damir ialah ketua pasukan, pengurus produk dan editor di Metaverse Post, meliputi topik seperti AI/ML, AGI, LLM, Metaverse dan Web3-bidang berkaitan. Artikelnya menarik khalayak besar lebih sejuta pengguna setiap bulan. Dia nampaknya seorang pakar dengan pengalaman 10 tahun dalam SEO dan pemasaran digital. Damir telah disebut dalam Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto dan penerbitan lain. Dia mengembara antara UAE, Turki, Rusia dan CIS sebagai nomad digital. Damir memperoleh ijazah sarjana muda dalam fizik, yang dia percaya telah memberikannya kemahiran berfikir kritis yang diperlukan untuk berjaya dalam landskap internet yang sentiasa berubah.
