Sehen und Hören: Open-domain Visual-Audio-Generierung mit Diffusions-Latent-Alignern

Seeing and Hearing: Open-domain Visual-Audio Generation with Diffusion Latent Aligners

February 27, 2024

Autoren: Yazhou Xing, Yingqing He, Zeyue Tian, Xintao Wang, Qifeng Chen

cs.AI

Zusammenfassung

Die Erstellung von Video- und Audioinhalten bildet die Kernmethode für die Filmindustrie und professionelle Anwender. Bisherige, auf Diffusion basierende Ansätze behandeln die Video- und Audioerzeugung getrennt, was den Technologietransfer von der Wissenschaft in die Industrie behindert. In dieser Arbeit zielen wir darauf ab, diese Lücke zu schließen, indem wir ein sorgfältig entworfenes, optimierungsbasiertes Framework für die cross-visuell-auditive und gemeinsame visuell-auditive Erzeugung vorstellen. Wir beobachten die leistungsstarke Erzeugungsfähigkeit von verfügbaren Video- oder Audioerzeugungsmodellen. Daher schlagen wir vor, anstatt riesige Modelle von Grund auf zu trainieren, die bestehenden starken Modelle über einen gemeinsamen latenten Repräsentationsraum zu verbinden. Konkret schlagen wir einen multimodalen latenten Ausrichter mit dem vortrainierten ImageBind-Modell vor. Unser latenter Ausrichter teilt einen ähnlichen Kern wie die Klassifikatorführung, die den Diffusionsentrauschungsprozess während der Inferenzzeit steuert. Durch eine sorgfältig gestaltete Optimierungsstrategie und Verlustfunktionen zeigen wir die überlegene Leistung unserer Methode bei der gemeinsamen Video-Audio-Erzeugung, der visuell gesteuerten Audioerzeugung und der audio-gesteuerten visuellen Erzeugung. Die Projektwebsite ist unter https://yzxing87.github.io/Seeing-and-Hearing/ zu finden.

English

Video and audio content creation serves as the core technique for the movie industry and professional users. Recently, existing diffusion-based methods tackle video and audio generation separately, which hinders the technique transfer from academia to industry. In this work, we aim at filling the gap, with a carefully designed optimization-based framework for cross-visual-audio and joint-visual-audio generation. We observe the powerful generation ability of off-the-shelf video or audio generation models. Thus, instead of training the giant models from scratch, we propose to bridge the existing strong models with a shared latent representation space. Specifically, we propose a multimodality latent aligner with the pre-trained ImageBind model. Our latent aligner shares a similar core as the classifier guidance that guides the diffusion denoising process during inference time. Through carefully designed optimization strategy and loss functions, we show the superior performance of our method on joint video-audio generation, visual-steered audio generation, and audio-steered visual generation tasks. The project website can be found at https://yzxing87.github.io/Seeing-and-Hearing/