AnimateLCM

无视频数据也能快速生成个性化风格视频

开源 🏷️完全免费 ✅ 目前可打开视频生成 🍴 复刻 45 🐛 待处理 13 👀 关注 25

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 657

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，提供在线演示页面，可免费使用。

项目预览

项目数据

分类视频生成

开发团队G-U-N

官网地址https://animatelcm.github.io

GitHubhttps://github.com/G-U-N/AnimateLCM

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，提供在线演示页面，可免费使用。

访问状态✅ 目前可打开

是否开源是

开源协议MIT

主要语言Python

技术栈/模型animatelcm,consistency-models,deep-learning,fast-sampling,video,video-generation

GitHub 星标★ 657

上线时间2024-02-01 00:00:00

代码更新2024-10-22

仓库体积73.2 MB

本站数据更新2026-11-07

维护状态低维护

收录时间2026-08-09

浏览次数6

项目介绍

AnimateLCM 是一个面向个性化风格视频生成的计算高效方法，发表于 SIGGRAPH ASIA 2024。它解决了现有视频生成模型在个性化定制时需要大量视频数据且采样速度慢的问题。核心能力包括：无需个性化视频数据即可实现风格迁移，通过一致性模型蒸馏技术大幅减少采样步数，支持快速生成高质量视频。项目提供预训练模型和推理代码，用户可基于少量图像或文本提示生成风格化视频，适用于动画、艺术风格转换等场景。其技术亮点在于将一致性训练策略引入视频生成，在保持生成质量的同时显著提升计算效率。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 657

技术标签

consistency-models deep-learning video video-generation

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 60 分钟部署方式：本地GPU 5 步

环境要求

CUDA GPU 12G 显存以上
diffusers 与 PyTorch
Hugging Face 权重

安装与启动步骤

1先试在线 demo

官方在 Hugging Face 放了 Space，先确认效果符合预期再花时间配本地环境。
2装扩散框架

它是基于 diffusers 的加速方案，版本要跟 README 对齐，太新会缺接口。
```
pip install -r requirements.txt
```
3下 LCM 权重

模型托管在 Hugging Face，轻量版和完整版二选一，显存紧张选轻量。
4少步采样出片

核心就是用一致性蒸馏把采样步数压到个位数，先按默认步数跑通再往下压。
5接自己的风格

它主打不用个性化视频数据，接自己的 LoRA 即可做风格化视频。