---
title: Nevrale nettverk skaper nye piksler for å animere statiske bilder
url: https://www.elseif.net/no/nevrale-nettverk-skaper-nye-piksler-for-a-animere-statiske-bilder
published: 2026-10-26T09:06:42+00:00
language: no
section: Modeller
source: https://habr.com/ru/companies/speshu_ai/articles/1098284/?utm_campaign=1098284&utm_source=habrahabr&utm_medium=rss
organizations: Kuaishou, Alibaba, MiniMax
publisher: elseif
---

# Nevrale nettverk skaper nye piksler for å animere statiske bilder

Nevrale nettverk omdanner nå statiske fotografier til videosekvenser ved å generere helt nye bildepunkter som ikke eksisterte i originalen. Denne prosessen krever at systemene konstruerer deler av ansikter og omgivelser fra bunnen av når motivet beveger seg, noe som representerer en av de mest krevende oppgavene innen datasyntese. Teknologien skiller seg fundamentalt fra tradisjonell animasjon fordi den ikke bare forskyver eksisterende elementer, men må gjenskape trestruktur, lysretning og materialegenskaper basert på treningsdata fra millioner av videoer.

Den tekniske prosessen foregår i tre distinkte faser før et resultat foreligger. Først analyserer modellen bildet for å bygge en semantisk forståelse av scenen, der den identifiserer objekter, lysforhold og posisjoner uten å se på enkeltpiksler. Deretter forutsier systemet en troverdig bevegelse basert på mønstre den har lært fra store videodatasett, slik som blinking, vannbevegelser eller lette kameraristninger. Til slutt genereres hver enkelt ramme i sekvensen mens originalbildet brukes som et anker for å sikre at farger og identitet forblir konsistente gjennom hele klippet.

Resultatets kvalitet avhenger i stor grad av hvilken type bevegelse som forsøkes utført. Systemene håndterer langsomme kamerabevegelser betydelig mer pålitelig enn store rotasjoner av selve motivet. Når kameraet zoomer eller flytter seg litt, gjenbrukes de fleste pikslene fra originalen og kun kantene må fylles inn. Dersom en person på bildet snur hodet, må nettverket finne opp ører, kinn og deler av halsen som var skjult i utgangspunktet. Det er i disse områdene som må konstrueres fra grunnen av at de fleste visuelle feil og artefakter oppstår, noe som gjør at ansikter noen ganger kan se ut som om de smelter.

Markedet for denne teknologien deles inn i to hovedkategorier med ulike egenskaper. Spesialiserte modeller fokuserer utelukkende på menneskelige ansikter og bruker ofte en styrende video eller lydfil for å overføre mimikk og leppebevegelser nøyaktig. Disse løsningene egner seg best når en spesifikk person skal si en bestemt tekst, men de sliter ofte med komplekse bakgrunner som også må bevege seg. Eksempler på slike systemer inkluderer LivePortrait fra Kuaishou samt diffusjonsmodellene EMO fra Alibaba, Hallo og EchoMimic, som ofte er forskningsprosjekter med åpen kildekode.

Den andre kategorien består av universelle videomodeler som kan animere enhver type scene, inkludert landskap, interiør, dyr og produkter. Disse styres vanligvis via tekstlige instruksjoner og kan håndtere bevegelser i hele bildet som vind i hår, skyer eller stoff som flagrer. Selv om de kan være noe mindre presise på mikrodetaljer i ansiktsuttrykk sammenlignet med spesialverktøy, klarer de bedre uvanlige vinkler og kan skape korte handlingsforløp med lyd. Representanter for denne gruppen inkluderer Kling 3.0, Seedance 2.0 og Hailuo fra MiniMax.

Utviklingen har gått fra tidlige metoder som First Order Motion Model, presentert i 2019, til dagens avanserte systemer. De eldre metodene kartla nøkkelpunkter på bildet og overførte bevegelse direkte, noe som ofte førte til brudd i bildet og tap av likhet med originalen ved større bevegelser. Moderne løsninger har overvunnet mange av disse begrensningene ved å generere nye piksler intelligent, men brukere oppfordres fortsatt til å starte med scenarier som involverer små mimiske endringer eller kamerabevegelser for å unngå visuelle feil.