摘要
针对现有肖像动画方法在眼部细粒度操控上的不足，本文提出 CogPortrait 框架。该框架采用两阶段策略：首先利用三个基于思维链的多模态大语言模型智能体，通过时间事件规划、原型检索及语义生理约束，将高层标签转化为面部关键点；随后基于 DiT 架构合成最终动画。实验表明，该方法在保持高视觉质量的同时，显著提升了眼部区域的控制精度。
AI 推荐理由
论文提出分层智能体规划框架，利用思维链将高层标签转化为面部关键点，规划是核心机制。
研究机构
Harbin Institute of Technology
Harbin, China
Li Auto
Beijing, China
University of New South Wales
Sydney, Australia
论文信息