• 2025/05/12 🔥 所有成果均已开源，欢迎查看！
• 2025/05/10 🔥 论文被 IJCAI ’25 接收，已更新定稿版本。
• 2024/12/19 项目及评测基准首次在 arXiv 发布。

位置：📁 anisoraV1_infer

• 基于 CogVideoX‑5B 基础模型训练，完整训练与推理代码开源
• 支持 局部区域控制、时间控制（首帧/尾帧/关键帧插帧、多帧引导）
• 在 📁 anisoraV1_train_npu 提供完整训练代码
• 可在 RTX 4090 上经济部署
• 覆盖 80 % 应用场景

位置：📁 anisoraV2_gpu, anisoraV2_npu

• 基于升级后的 Wan2.1‑14B 基础模型，稳定性更佳
• 蒸馏加速推理，无损画质，更快更省
• 原生支持华为 Ascend 910B NPU（全流程国产芯片训练）
• 高质量镜头生成，覆盖 90 % 应用场景

位置：📁 data_pipeline

• 端到端数据集流水线，快速扩充训练数据
• 动画数据清洗管道

位置：📁 reward

• 为动漫视频生成定制的评测模型与打分算法
• 适用于强化学习和基准测试的奖励模型
• 与 ACG 审美对齐的标准测试集
• 人工偏好对齐

该评测数据集包含 948 段动画视频片段，每个动作标签含 10–30 个视频。文本提示先由 Qwen‑VL2 自动生成，再由人工校对以确保文本‑视频对齐。
填写表格后以 PDF 形式发送至 yangsiqian@bilibili.com 或 xubaohan@bilibili.com（链接在同意协议后提供）。

位置：📁 anisora_rl

• 首个面向动漫视频生成的 RLHF 框架
• RL 优化后的 AniSora V1.0，可生成更具动漫风格的作品
• 详见预印本：Aligning Anime Video Generation with Human Feedback

• AniSora V2.0
  • 支持 14B 版本，预计 5 月底前发布
• AniSora 数据集
  • 开放高质量训练集申请
• AniSora 基准
  • 更新最新 SOTA 模型性能

---

动画内容在当今影视行业中备受关注。
尽管 Sora、Kling、CogVideoX 等先进模型在自然视频生成方面表现出色，但在动漫视频上仍捉襟见肘。
此外，由于动漫独特的艺术风格、夸张的运动以及对物理规律的打破，也给评测带来了巨大挑战。

本文提出了完整的系统 AniSora，涵盖：

1. 数据处理流水线：超过 1000 万高质量数据；
2. 可控生成模型：引入时空掩码模块，支持图生视频、帧插值、局部图像引导等关键动画制作功能；
3. 评测数据集：收集 948 段多样化动画视频，配套双盲人评实验及 VBench 测试，人物一致性与运动一致性均达到 SOTA。

下图展示了 Index‑AniSora 的整体框架：

主要特点：

1. 搭建了完整的视频处理系统，显著提升生成前的数据预处理效率；
2. 提出统一的时空掩码框架，用于动漫视频生成，可同时处理图生视频、帧插值、局部引导等任务；
3. 发布面向动漫视频生成的专用基准数据集。

不同艺术风格的图生视频：

提示词	图片	视频
画面中，角色坐在前进的汽车里，朝后方挥手，长发在风中左右摆动。
场景中，两位身着红色婚服的角色拉着红绳，携手远去。
金发角色伸手轻触跪地之人的头顶，后者喘息起伏。
画面中，一人高速冲刺向前，速度导致动作出现轻微拖影。
画面中，角色抬起手臂，手臂表面有气流流动效果。
老人目光锁定宝石，右手微调放大镜，似在揭示古老秘密。
左侧男子紧抿双唇，面露愤怒与决然；右侧男子张口欲言。
岩石爆炸，耀眼光芒四射，碎片向四周激射。

时间控制示例：

提示词	首帧	中间帧	末帧	视频
动画电影《美女与野兽》场景：贝儿身着紫色礼服，站在落地窗前对窗外说话，金发披肩。
夜晚，一位金发女子在车门后探出身子向外张望，星空与满月照亮场景，她神情担忧。		无
一只卡通猫闭眼张口，似在捣蛋或好奇中，准备惊叫。	无	无

空间控制示例：

提示词	首帧	运动掩码	视频（含掩码可视化）
在《海底总动员》的缤纷水下世界里，小丑鱼马林和尼莫在大型紫色珊瑚附近交谈……
同上	同上

更多示例视频： 作品画廊

VBench 结果：

方法	运动平滑度	运动得分	美学质量	成像质量	I2V 主体	I2V 背景	整体一致性	主体一致性
Opensora‑Plan(V1.3)	99.13	76.45	53.21	65.11	93.53	94.71	21.67	88.86
Opensora(V1.2)	98.78	73.62	54.30	68.44	93.15	91.09	22.68	87.71
Vidu	97.71	77.51	53.68	69.23	92.25	93.06	20.87	88.27
CogVideo(5B‑V1)	97.67	71.47	54.87	68.16	90.68	91.79	21.87	90.29
MiniMax	99.20	66.53	54.56	71.67	95.95	95.42	21.82	93.62
AniSora	99.34	45.59	54.31	70.58	97.52	95.04	21.15	96.99
AniSora‑K	99.12	59.49	53.76	68.68	95.13	93.36	21.13	94.61
AniSora‑I	99.31	54.96	54.67	68.98	94.16	92.38	20.47	95.75
GT	98.72	56.05	52.70	70.50	96.02	95.03	21.29	94.37

AniSora 基准结果：

方法	人工评分	视觉平滑	视觉运动	视觉吸引力	文本‑视频一致	图像‑视频一致	角色一致性
Vidu‑1.5	60.98	55.37	78.95	50.68	60.71	66.85	82.57
Opensora‑V1.2	41.10	22.28	74.90	22.62	52.19	55.67	74.76
Opensora‑Plan‑V1.3	46.14	35.08	77.47	36.14	56.19	59.42	81.19
CogVideoX‑5B‑V1	53.29	39.91	73.07	39.59	67.98	65.49	83.07
MiniMax‑I2V01	69.63	69.38	68.05	70.34	76.14	78.74	89.47
AniSora (Ours)	70.13	71.47	47.94	64.44	72.92	81.54	94.54
AniSora (Interpolated Avg)	-	70.78	53.02	64.41	73.56	80.62	91.59
AniSora (KeyFrame Interp)	-	70.03	58.10	64.57	74.57	80.78	91.98
AniSora (KeyFrame Interp)	-	70.03	58.10	64.57	74.57	80.78	91.98
GT	-	92.20	58.27	89.72	92.51	94.69	95.08

说明
AniSora：我们的 I2V 结果
AniSora‑K：关键帧插帧结果
AniSora‑I：帧插值（平均）结果

该基准数据集包含 948 段动画视频片段，每段标注不同动作。每个标签含 10–30 个视频，文本提示由 Qwen‑VL2 生成并经人工校对，确保文本‑视频对齐。
请填写 申请表 并将 PDF 发送至 yangsiqian@bilibili.com 或 xubaohan@bilibili.com（须先同意 B 站协议）。

特别感谢 CogVideoX、Wan2.1、FasterCache 以及 OSS 的宝贵工作。

如果本项目对您有帮助，请为我们的仓库点 Star，并引用下述论文：

@article{jiang2024anisora,
  title={AniSora: Exploring the Frontiers of Animation Video Generation in the Sora Era},
  author={Yudong Jiang, Baohan Xu, Siqian Yang, Mingyu Yin, Jing Liu, Chao Xu, Siqi Wang, Yidi Wu, Bingwen Zhu, Xinwen Zhang, Xingyu Zheng,Jixuan Xu, Yue Zhang, Jinlong Hou and Huyang Sun},
  journal={arXiv preprint arXiv:2412.10255},
  year={2024}
}