MagicVideo-V2: Mehrstufige Erzeugung hochästhetischer Videos

MagicVideo-V2: Multi-Stage High-Aesthetic Video Generation

January 9, 2024

Autoren: Weimin Wang, Jiawei Liu, Zhijie Lin, Jiangqiao Yan, Shuo Chen, Chetwin Low, Tuyen Hoang, Jie Wu, Jun Hao Liew, Hanshu Yan, Daquan Zhou, Jiashi Feng

cs.AI

Zusammenfassung

Die zunehmende Nachfrage nach hochwertiger Videogenerierung aus textuellen Beschreibungen hat erhebliche Forschungsaktivitäten in diesem Bereich vorangetrieben. In dieser Arbeit stellen wir MagicVideo-V2 vor, das das Text-zu-Bild-Modell, den Videobewegungsgenerator, das Referenzbild-Einbettungsmodul und das Frame-Interpolationsmodul in eine End-to-End-Videogenerierungspipeline integriert. Dank dieser Architekturdesigns kann MagicVideo-V2 ästhetisch ansprechende, hochauflösende Videos mit bemerkenswerter Detailtreue und Flüssigkeit erzeugen. Es zeigt eine überlegene Leistung gegenüber führenden Text-zu-Video-Systemen wie Runway, Pika 1.0, Morph, Moon Valley und dem Stable Video Diffusion-Modell in groß angelegten Benutzerbewertungen.

English

The growing demand for high-fidelity video generation from textual descriptions has catalyzed significant research in this field. In this work, we introduce MagicVideo-V2 that integrates the text-to-image model, video motion generator, reference image embedding module and frame interpolation module into an end-to-end video generation pipeline. Benefiting from these architecture designs, MagicVideo-V2 can generate an aesthetically pleasing, high-resolution video with remarkable fidelity and smoothness. It demonstrates superior performance over leading Text-to-Video systems such as Runway, Pika 1.0, Morph, Moon Valley and Stable Video Diffusion model via user evaluation at large scale.