Pippo是Meta Reality Labs推出的图像到模型，能从单张照片生成1K分辨率的多视角高清人像视频。模型基于多视角扩散变换器，预训练了30亿张人像图像，在2500张工作室捕捉的图像上进行了后训练。Pippo的核心技术包括ControlMLP模块，用于注入像素对齐的条件，以及注意力偏差技术，能在推理时生成比训练时多5倍以上的视角。Pippo引入了重投影误差，用于评估多视角生成的3D一致性。

Pippo – Meta 推出的单图生成多视角高清人像视频模型 第1张
（图片来源网络，侵删）
Pippo – Meta 推出的单图生成多视角高清人像视频模型 第2张
（图片来源网络，侵删）