无原型AI动画创作方式思考，基于Blender导出Openpose骨架动作的创作方式

     本人不是科班出身，纯粹是兴趣爱好，如有错误欢迎指正。  一、常见的AI动画创作

从常见的最简单的AI动画来说，它是对原作品进行逐帧导出成图片，并使用Stable Diffusion的img2img功能，对每张图进行重新绘制，而重绘效果取决于使用的C基底的大模型以及微调的Lora模型，最多加上特定的Embedding，Hypernetwork和Dreambooth模型。

换句话说，我们可以理解成AI动画是对原视频打上了一层滤镜，这个滤镜取决于你用什么模型，调整多强的参数。

然而这种做法的缺点也很明显，是一种原视频的风格化。（例如梵高星空油画风格的任意视频）首先，对原视频人物的保留实属不易，很容易出现我们常说的“闪烁”问题。要解决这个问题，最简单的手段就是降低重绘幅度，也就是把“滤镜”调低。然而这相应的会导致整体视频风格更偏向于原视频，达不到我们需要的风格化效果，甚至跟原视频没有太大区别。

使用一些特别的手段，例如大江户战士大佬的 BV1R54y1M7u5 中介绍的多帧渲染法（插件GitHub地址：https://github.com/OedoSoldier/enhanced-img2img）；DaVinci Resolve Studio中的DeFlicker去闪烁；降低帧数并进行AI补帧。可以极大地提高重绘稳定性的同时，增加视频的风格化程度。

此外，我很推荐 @以太之尘 大佬的 BV1qT41187oT ，总结的非常详细的动画教程。

二、text2img的AI动画

Stable Diffusion或者说AI绘画之所以能够做到上述的动画过程，很大程度是因为ControlNet （https://github.com/Mikubill/sd-webui-controlnet）这个扩展的诞生。它能够做到在稳定画面部分元素（如动作骨架，画面构图）的情况下让AI进行绘画，即先把原图片中的一部分抽象出来供AI参考，就像是画画时有些人会买个参考人偶用来摆姿势一样。我们见到的比如孙悟空做出林黛玉的姿势就是这么做到的。

    题外话，ControlNet新的模型tile还能做到更离谱的，例如高清修复，对草图的完成等操作。

ControlNet中最常用的就是Openpose模型，它能够对原画面中人物的姿势进行识别，并生成相应骨架给AI参考。在AI动画时，我们会使用Openpose，Seg，Hed和Canny等模型让动画更稳定，对原视频识别更加准确，更加符合原视频贴上滤镜的感觉。

如果我们只用Openpose进行识别呢？归根结底，我们需要的只是人物的特定动作，其余都只是为了让动画更稳定的手段。但这也会限制我们对原视频的改变程度。如果我们能做到只识别出动作，配合上炼制好的人物Lora模型，能够实现稳定人物。那么，我们就能做到在没有原模型的基础上（或只有一个极其粗糙的模型）去更换为特定角色。而这只需要几十张图训练一个特定角色的Lora模型就可以实现，甚至不需要建模了。

三、我的制作流程（探索中，仅供参考

首先找到想要的动作，这一步可以通过MMD已有的Vmd动作，恋活中的动作来导入，又或者是真人视频。在这里我推荐一个MMD中常用的捕捉动作的软件ThreeDPoseTracker，它可以实现电脑连接相机进行实时动作捕捉，又或者是导入特定视频，然后识别动作，最后导出为Vmd格式。

随后，将Civitai上他人已经做好的Daz Studio 人模dazstudiog8openposerig导入到Blender中，再使用Vmd Retargeting（BV1Qb4y147Q3） 中 @显然Pro 大佬开发的Blender插件，将上一步的Vmd动作导入到模型中（也可以导入到其他Daz模型中），这时如果运气好，Openpose骨架基本就能正常动作了。如果你运气不好，就需要进行肢体缩放和参数之类的调整，这一部分我无能为力，期待之后其他更懂这方面的人写个教程。此外在这一步最好对不合理的一些动作进行修正。

最后，设置好镜头，可以使用显然Pro大佬所开发的Auto Dance Camera 2插件（ BV14T411N7oF） 进行自动分镜，也可以手调。完成后进行逐帧渲染，导出Openpose骨架逐帧图。有不满意的崩坏动作得在blender那修。当然只要不是关键动作帧，懒狗做法是直接删掉后期软件补帧（

以上Blender的流程就完成了，接下来进入Stable Diffusion流程。

在Stable Diffusion中，可以掏出你练好的人物丹，Lora，Loha，Dreambooth都可以。在text2img模式中首选根据你的丹，选好模型和VAE，填好对应的正负Prompt。比如我在 BV1vL411a7JP 这个练习作中用的C站搜的Loha模型，作者就建议填上ai hoshino, animescreen cap，并给出了对应推荐的模型和VAE。

使用ControlNet，勾选启用和像素完美模式，不需要预处理，模型选择Openpose，权重建议调高（1.5以上），选择My ControlNet is more important。接下来就是抽卡环节，边修改Prompt边抽到你想要的图，抽到就记下种子。同时可以使用例如Face Editor之类的脚本进行修正。

    可以出图后对相对还算可以的图使用Tagger扩展获取Prompt描述，从而更精确出图

把满意的图放进PNG Info扩展中，把获取到的信息点Send to text2img。**在ControlNet这一步我怀疑text2img的批处理功能有BUG，批处理不会按照给定的骨架图来生成，而一张张处理就很正常**。实在不行的话可以用MacroRecorder 这个鼠标键盘宏录制软件进行手动操作。

    这一步很可惜，要是 @大江户战士 大佬的扩展能够给多帧渲染法加入对text2img的支持就好了，能够极大地提高稳定性的同时节约人力

以上Stable Diffusion的流程完成，进入剪辑环节。

我使用的是DaVinci Resolve Studio，感觉处理起来比PR顺手。我看的是YTB上DreamBooth扩展开发作者的教程（Video to Anime），总之将图片以序列形式呈现，随后导入成视频。在效果处可以使用DeFlicker来处理频闪问题，在右侧视频处理处可以对视频进行补帧（如果你帧数太低/动作幅度太大就别选光流补帧了，果冻感太强）。

这样视频部分就做好了，接下来看你配上一些音乐之类的。

如果你有闲心，可以继续使用VITS语音模型，训练一个角色的语音模型并让其唱歌，比如我通过上面的流程，制作好 BV1vL411a7JP 视频后，再切片了星野爱对应的语音，使用Ultimate Vocal Remover分离人声和伴奏后训练模型，训练好再让其唱歌，效果也是很不错的。你们可以使用其他的MMD角色唱歌试试，或者玩些更花里胡哨的。

四、结语

这次也是第一次制作视频，才知道制作视频实属不易，尤其是探索和解决BUG的路上（顺带一提ControlNet版本是1.1.129的赶紧升级，不然img2img功能大概率报错）。不过这次主要还是以熟悉已有的各个AI工具为主。还要特别感谢ChatGPT，为不懂Python和懒狗的我在批处理文件过程中写了无数稀奇古怪但有用的小代码（比如命名和设置分辨率啥的）