ControlNet作者新项目爆火：仅一张图生成25秒绘画全过程，不到一天GitHub揽星600+

ControlNet作者张吕敏（Lvmin Zhang）又又又发新作了！

输入任意一张图，分分钟就能“拆解”成一个25秒的图像绘制过程视频：

从线稿到填色还有局部细节调整，全都有的那种：

而且不止动漫风，各种风格都能驾驭：

这个项目名为Paints-Undo，发布不到24小时，GitHub上已揽星600+：

网友们针对它的讨论也经历了一轮又一轮，不少人纷纷表示“这个是真牛P”。

……甚至因为效果太好，遭到网友吐槽：

手绘伪造成本又低了。

还有不少网友已经玩上了：

Ctrl+ZZZZZZZ

据GitHub主页上的介绍，Paints-Undo的命名有“其绘制过程就像是在绘画软件中多次按下撤消（Undo）按钮”之意。

该项目包含一系列模型，展示了各种人类绘画行为，比如素描、勾线、上色、阴影、变形、左右翻转、调整色彩曲线、改变图层透明度，甚至在绘画过程中改变整体想法等等。

目前发布了两个型号：paints_undo_single_frame和paints_undo_multi_frame。

paints_undo_single_frame为单帧模型，基于SD1.5架构进行了改进，输入为一张图和一个operation step，并输出一张图。

operation step相当于Ctrl+Z（撤销）多少次，比如operation step为100，就相当于会得到一张Ctrl+Z 100次的效果图。

paints_undo_multi_frame是多帧模型，基于VideoCrafter打造，但没有使用原始Crafter的lvdm，所有的训练/推理代码都是从头开始完全实现。

经过训练后，多帧模型整体架构类似于Crafter，包含5个组成部分：3D-UNet、VAE、CLIP、CLIP-Vision、Image Projection。

多帧模型输入为两张图片，输出是这两张图片之间的16帧中间帧，其结果比单帧模型更加一致，但也更慢，创造性较低。

代码库默认方法是将两个模型一起使用：

首先使用单帧模型获取5-7个“关键帧”，然后使用多帧模型来“插值”这些关键帧，最终生成一个相对较长的视频。理论上甚至可以生成无限长的视频，但在开发测试中帧数为100-500时，结果较好。

可以通过以下方式在本地部署：

介绍中还提到，项目测试是在24GB显存的Nvidia 4090和3090TI上进行。理论上说，16GB的显存应该也够用，但8GB就不行了，最少需要大概10到12.5GB的显存。

根据不同配置，处理一张图大约需要5-10分钟。

生成视频时长25秒，帧率为4FPS，分辨率可能是320x512、512x320、384x448或448x384。