Ancoragem de Previsão: Preservando a Identidade do Personagem na Animação Humana Orientada por Áudio

Lookahead Anchoring: Preserving Character Identity in Audio-Driven Human Animation

October 27, 2025

Autores: Junyoung Seo, Rodrigo Mira, Alexandros Haliassos, Stella Bounareli, Honglie Chen, Linh Tran, Seungryong Kim, Zoe Landgraf, Jie Shen

cs.AI

Resumo

Os modelos de animação humana orientados por áudio frequentemente sofrem com desvio de identidade durante a geração temporal autorregressiva, onde os personagens gradualmente perdem sua identidade ao longo do tempo. Uma solução é gerar quadros-chave como âncoras temporais intermediárias que previnem a degradação, mas isso requer uma etapa adicional de geração de quadros-chave e pode restringir a dinâmica natural do movimento. Para resolver isso, propomos a Ancoragem Prospectiva (Lookahead Anchoring), que utiliza quadros-chave de intervalos de tempo futuros à frente da janela de geração atual, em vez de dentro dela. Isso transforma os quadros-chave de limites fixos em faróis direcionais: o modelo persegue continuamente essas âncoras futuras enquanto responde a pistas de áudio imediatas, mantendo uma identidade consistente por meio de orientação persistente. Isso também permite a auto-geração de quadros-chave, onde a imagem de referência serve como alvo prospectivo, eliminando completamente a necessidade de geração de quadros-chave. Descobrimos que a distância temporal prospectiva controla naturalmente o equilíbrio entre expressividade e consistência: distâncias maiores permitem maior liberdade de movimento, enquanto distâncias menores fortalecem a aderência à identidade. Quando aplicada a três modelos recentes de animação humana, a Ancoragem Prospectiva alcança sincronização labial superior, preservação de identidade e qualidade visual, demonstrando condicionamento temporal aprimorado em várias arquiteturas diferentes. Resultados em vídeo estão disponíveis no seguinte link: https://lookahead-anchoring.github.io.

English

Audio-driven human animation models often suffer from identity drift during temporal autoregressive generation, where characters gradually lose their identity over time. One solution is to generate keyframes as intermediate temporal anchors that prevent degradation, but this requires an additional keyframe generation stage and can restrict natural motion dynamics. To address this, we propose Lookahead Anchoring, which leverages keyframes from future timesteps ahead of the current generation window, rather than within it. This transforms keyframes from fixed boundaries into directional beacons: the model continuously pursues these future anchors while responding to immediate audio cues, maintaining consistent identity through persistent guidance. This also enables self-keyframing, where the reference image serves as the lookahead target, eliminating the need for keyframe generation entirely. We find that the temporal lookahead distance naturally controls the balance between expressivity and consistency: larger distances allow for greater motion freedom, while smaller ones strengthen identity adherence. When applied to three recent human animation models, Lookahead Anchoring achieves superior lip synchronization, identity preservation, and visual quality, demonstrating improved temporal conditioning across several different architectures. Video results are available at the following link: https://lookahead-anchoring.github.io.