CoDeF: Inhaltsdeformationsfelder für zeitlich konsistente Videoverarbeitung
CoDeF: Content Deformation Fields for Temporally Consistent Video Processing
August 15, 2023
Autoren: Hao Ouyang, Qiuyu Wang, Yuxi Xiao, Qingyan Bai, Juntao Zhang, Kecheng Zheng, Xiaowei Zhou, Qifeng Chen, Yujun Shen
cs.AI
Zusammenfassung
Wir stellen das Inhaltsdeformationsfeld CoDeF als eine neue Art der Videodarstellung vor, das aus einem kanonischen Inhaltsfeld besteht, das die statischen Inhalte des gesamten Videos aggregiert, und einem zeitlichen Deformationsfeld, das die Transformationen vom kanonischen Bild (d.h., gerendert aus dem kanonischen Inhaltsfeld) zu jedem einzelnen Frame entlang der Zeitachse aufzeichnet. Für ein gegebenes Zielvideo werden diese beiden Felder gemeinsam optimiert, um es durch eine sorgfältig angepasste Rendering-Pipeline zu rekonstruieren. Wir führen gezielt einige Regularisierungen in den Optimierungsprozess ein, um das kanonische Inhaltsfeld dazu zu bewegen, Semantik (z.B. die Objektform) aus dem Video zu übernehmen. Mit einem solchen Design unterstützt CoDeF auf natürliche Weise die Übertragung von Bildalgorithmen zur Videoverarbeitung, in dem Sinne, dass man einen Bildalgorithmus auf das kanonische Bild anwenden und die Ergebnisse mit Hilfe des zeitlichen Deformationsfelds mühelos auf das gesamte Video übertragen kann. Wir zeigen experimentell, dass CoDeF in der Lage ist, Bild-zu-Bild-Übersetzung in Video-zu-Video-Übersetzung und die Erkennung von Schlüsselpunkten in die Verfolgung von Schlüsselpunkten ohne jegliches Training zu übertragen. Noch wichtiger ist, dass wir dank unserer Übertragungsstrategie, die die Algorithmen auf nur einem Bild einsetzt, eine überlegene konsistente Rahmenübergreifende Konsistenz in verarbeiteten Videos im Vergleich zu bestehenden Video-zu-Video-Übersetzungsansätzen erreichen und sogar in der Lage sind, nicht starre Objekte wie Wasser und Smog zu verfolgen. Die Projektseite finden Sie unter https://qiuyu96.github.io/CoDeF/.
English
We present the content deformation field CoDeF as a new type of video
representation, which consists of a canonical content field aggregating the
static contents in the entire video and a temporal deformation field recording
the transformations from the canonical image (i.e., rendered from the canonical
content field) to each individual frame along the time axis.Given a target
video, these two fields are jointly optimized to reconstruct it through a
carefully tailored rendering pipeline.We advisedly introduce some
regularizations into the optimization process, urging the canonical content
field to inherit semantics (e.g., the object shape) from the video.With such a
design, CoDeF naturally supports lifting image algorithms for video processing,
in the sense that one can apply an image algorithm to the canonical image and
effortlessly propagate the outcomes to the entire video with the aid of the
temporal deformation field.We experimentally show that CoDeF is able to lift
image-to-image translation to video-to-video translation and lift keypoint
detection to keypoint tracking without any training.More importantly, thanks to
our lifting strategy that deploys the algorithms on only one image, we achieve
superior cross-frame consistency in processed videos compared to existing
video-to-video translation approaches, and even manage to track non-rigid
objects like water and smog.Project page can be found at
https://qiuyu96.github.io/CoDeF/.