StyleFrame (formerly Glyf) vs Farm3D

StyleFrame es un conjunto de herramientas para generación de video y 3D dirigido a diseñadores de movimiento y animadores. Surgió de Glyf, cuyo dominio original glyf.in ahora aloja contenido de blog no relacionado. StyleFrame coloca fotogramas clave en una línea de tiempo para que puedas animar con hasta 9 fotogramas, transferir movimiento desde videos de referencia y ejecutar previsualización 3D con transferencia de estilo en hasta 9 referencias.

La mayoría de las herramientas de video con IA generan un solo clip a partir de un único comando. StyleFrame está construido alrededor de un control procedural basado en línea de tiempo: guiones gráficos, intercalado, referencias de movimiento, pases de restilo y flujos de trabajo de fotogramas a video se integran en un solo editor. También incluye herramientas de imagen para crear, restilar, editar, eliminar fondos y mejorar resolución, con modelos como Seedance 2.5, MiniMax H3 y Gemini Omni Flash.

StyleFrame está dirigido a diseñadores de movimiento, animadores y estudios que necesitan control a nivel de fotograma en lugar de generación de un solo disparo. Los planes basados en créditos comienzan en $9 por mes para Basic con 1,000 créditos, escalando a Studio en $99 por mes con 15,000 créditos. Los planes Enterprise ofrecen salida ilimitada con precios personalizados.

Farm3D es un método de investigación para la reconstrucción 3D de animales articulados a partir de una sola vista, desarrollado en la Universidad de Oxford y publicado en 3DV 2024. Le proporcionas una foto de un caballo, vaca o oveja y devuelve una forma 3D completa con textura en segundos, sin necesidad de entrenamiento con fotografías reales. La página del proyecto documenta el enfoque, muestra demostraciones de reconstrucción y enlaza al código y al conjunto de datos de referencia Animodel.

La mayoría de los generadores 3D requieren grandes conjuntos de datos 3D etiquetados o capturas multivista. Farm3D se entrena completamente con vistas sintéticas producidas por Stable Diffusion, y luego utiliza el mismo modelo de difusión como crítico durante el aprendizaje. Esto le permite recuperar detalles finos como patas y orejas en categorías que nunca vio en imágenes reales, lo cual es inusual para los procesos de reconstrucción monocular que dependen de supervisión del mundo real.

Investigadores que estudian formas 3D articuladas, ingenieros de visión por computadora que prototipan flujos de trabajo para activos animales y artistas 3D que exploran síntesis controlable encontrarán útiles las demostraciones y el código abierto. El método también soporta reiluminación, intercambio de texturas entre modelos de la misma categoría y animación esquelética una vez que se genera una forma.