Make-Your-Video: Individuelle Videogenerierung mithilfe von textueller und struktureller Anleitung

Make-Your-Video: Customized Video Generation Using Textual and Structural Guidance

June 1, 2023

Autoren: Jinbo Xing, Menghan Xia, Yuxin Liu, Yuechen Zhang, Yong Zhang, Yingqing He, Hanyuan Liu, Haoxin Chen, Xiaodong Cun, Xintao Wang, Ying Shan, Tien-Tsin Wong

cs.AI

Zusammenfassung

Das Erstellen eines lebendigen Videos aus einem Ereignis oder Szenario in unserer Vorstellung ist eine wahrhaft faszinierende Erfahrung. Jüngste Fortschritte in der Text-zu-Video-Synthese haben das Potenzial aufgezeigt, dies allein mit Eingabeaufforderungen zu erreichen. Obwohl Text praktisch ist, um den Gesamtkontext einer Szene zu vermitteln, kann er für eine präzise Steuerung unzureichend sein. In diesem Artikel untersuchen wir die maßgeschneiderte Videogenerierung, indem wir Text als Kontextbeschreibung und Bewegungsstruktur (z. B. bildweise Tiefe) als konkrete Anleitung nutzen. Unsere Methode, genannt Make-Your-Video, beinhaltet eine gemeinsam bedingte Videogenerierung unter Verwendung eines Latent Diffusion Models, das für die Standbildsynthese vortrainiert und dann durch die Einführung von temporalen Modulen für die Videogenerierung weiterentwickelt wird. Dieses zweistufige Lernschema reduziert nicht nur den benötigten Rechenaufwand, sondern verbessert auch die Leistung, indem es die reichhaltigen Konzepte aus Bilddatensätzen ausschließlich in die Videogenerierung überträgt. Darüber hinaus verwenden wir eine einfache, aber effektive kausale Aufmerksamkeitsmaskenstrategie, um längere Videosynthesen zu ermöglichen, wodurch eine potenzielle Qualitätsminderung wirksam gemildert wird. Experimentelle Ergebnisse zeigen die Überlegenheit unserer Methode gegenüber bestehenden Baselines, insbesondere in Bezug auf zeitliche Kohärenz und Treue zur Benutzerführung. Zudem ermöglicht unser Modell mehrere interessante Anwendungen, die das Potenzial für praktische Nutzung demonstrieren.

English

Creating a vivid video from the event or scenario in our imagination is a truly fascinating experience. Recent advancements in text-to-video synthesis have unveiled the potential to achieve this with prompts only. While text is convenient in conveying the overall scene context, it may be insufficient to control precisely. In this paper, we explore customized video generation by utilizing text as context description and motion structure (e.g. frame-wise depth) as concrete guidance. Our method, dubbed Make-Your-Video, involves joint-conditional video generation using a Latent Diffusion Model that is pre-trained for still image synthesis and then promoted for video generation with the introduction of temporal modules. This two-stage learning scheme not only reduces the computing resources required, but also improves the performance by transferring the rich concepts available in image datasets solely into video generation. Moreover, we use a simple yet effective causal attention mask strategy to enable longer video synthesis, which mitigates the potential quality degradation effectively. Experimental results show the superiority of our method over existing baselines, particularly in terms of temporal coherence and fidelity to users' guidance. In addition, our model enables several intriguing applications that demonstrate potential for practical usage.