💡 站外导读：在AI视频生成浪潮中，如何让生成的人物在每一帧都保持“同一个人”一直是行业核心痛点。身份漂移、特征不一致严重限制了虚拟角色、个性化内容等应用的落地。腾讯微信视觉团队推出的 Stand-In 框架，直击这一挑战。它通过轻量级的条件图像分支和受限自注意力机制，仅需微调1%的模型参数，即可在任何现有文本到视频模型上实现高保真、身份连贯的视频生成，将技术门槛和计算成本大幅降低，标志着AI视频创作正从“可用”迈向“可靠”和“个性化”的新阶段。

Stand-In 是腾讯微信视觉团队推出的轻量级的视频生成框架，专注于生成身份保护视频。框架通过训练1%的基础模型参数，能生成高保真度、身份一致的视频，具有即插即用的特点，支持轻松集成到现有的文本到视频（T2V）模型中。Stand-In 支持多种应用场景，包括身份保留的文本到视频生成、非人类主体视频生成、风格化视频生成、视频换脸和姿势引导视频生成等，具有高效、灵活和可扩展性强的优势。

Stand-In的主要功能

• 身份保留的文本到视频生成：根据文本描述和参考图像，生成与参考图像身份一致的视频，确保人物特征在视频中保持高度一致。

• 非人类主体保留视频生成：框架能生成卡通角色、物体等非人类主体的视频，且保持主体特征的连贯性。

• 身份保留风格化视频生成：在保持人物身份特征的同时，对生成的视频应用特定的艺术风格，如油画或动漫风格，实现风格化效果。

• 视频换脸：将视频中的人物面部替换为参考图像中的面部，实现高保真度的面部替换，保持视频的自然度和连贯性。

• 姿势引导视频生成：根据输入的姿势序列，生成人物在相应姿势下的视频，实现姿势的精确控制和生成。

Stand-In的技术原理

• 条件图像分支：在预训练的视频生成模型中引入一个条件图像分支。用预训练的 VAE（变分自编码器）将参考图像编码到与视频相同的潜在空间中，提取丰富的面部特征。
• 受限自注意力机制：通过受限自注意力机制实现身份控制，支持视频特征有效地引用参考图像中的身份信息，同时保持参考图像的独立性。用条件位置映射（Conditional Position Mapping）区分图像和视频特征，确保信息交换的准确性和高效性。
• 低秩适配（LoRA）：在条件图像分支中使用低秩适配（LoRA）来增强模型对身份信息的利用能力，同时保持模型的轻量级设计。LoRA 仅对条件图像的 QKV 投影进行微调，避免引入过多的训练参数。
• KV 缓存：参考图像的时间步固定为零， Key 和 Value 矩阵在扩散去噪过程中保持不变。在推理过程中缓存这些矩阵加速计算。
• 轻量级设计：Stand-In 训练约1%的额外参数，显著减少训练成本和计算资源的消耗，使 Stand-In 能轻松集成到现有的文本到视频（T2V）模型中，具有高度的可扩展性和兼容性。

Stand-In的项目地址

• 项目官网：https://www.stand-in.tech/
• GitHub仓库：https://github.com/WeChatCV/Stand-In
• HuggingFace模型库：https://huggingface.co/BowenXue/Stand-In
• arXiv技术论文：https://arxiv.org/pdf/2508.07901

Stand-In的应用场景

• 虚拟角色生成：为电影、电视剧和动画创建虚拟角色，确保角色在不同场景中的身份一致性。
• 特效合成：在特效制作中，快速生成与真人演员身份一致的虚拟角色，减少后期合成的复杂性。
• 个性化广告：根据用户提供的参考图像生成个性化的广告视频，提高广告的吸引力和用户参与度。
• 虚拟代言人：创建虚拟代言人，用在品牌推广和产品宣传，确保品牌形象的一致性和连贯性。
• 角色定制：玩家根据自己的形象生成游戏中的角色，增强游戏的沉浸感和个性化体验。