Fairy: Síntesis Rápida de Video a Video Guiada por Instrucciones con Paralelización

Fairy: Fast Parallelized Instruction-Guided Video-to-Video Synthesis

December 20, 2023

Autores: Bichen Wu, Ching-Yao Chuang, Xiaoyan Wang, Yichen Jia, Kapil Krishnakumar, Tong Xiao, Feng Liang, Licheng Yu, Peter Vajda

cs.AI

Resumen

En este artículo presentamos Fairy, una adaptación minimalista pero robusta de los modelos de difusión para edición de imágenes, mejorándolos para aplicaciones de edición de video. Nuestro enfoque se centra en el concepto de atención cruzada entre fotogramas basada en anclajes, un mecanismo que propaga implícitamente las características de difusión a lo largo de los fotogramas, garantizando una coherencia temporal superior y una síntesis de alta fidelidad. Fairy no solo aborda las limitaciones de modelos anteriores, incluyendo la memoria y la velocidad de procesamiento, sino que también mejora la consistencia temporal mediante una estrategia única de aumento de datos. Esta estrategia hace que el modelo sea equivariante a transformaciones afines tanto en las imágenes de origen como en las de destino. Notablemente eficiente, Fairy genera videos de 120 fotogramas a 512x384 (4 segundos de duración a 30 FPS) en solo 14 segundos, superando trabajos previos en al menos 44 veces. Un estudio de usuario exhaustivo, que involucra 1000 muestras generadas, confirma que nuestro enfoque ofrece una calidad superior, superando claramente a los métodos establecidos.

English

In this paper, we introduce Fairy, a minimalist yet robust adaptation of image-editing diffusion models, enhancing them for video editing applications. Our approach centers on the concept of anchor-based cross-frame attention, a mechanism that implicitly propagates diffusion features across frames, ensuring superior temporal coherence and high-fidelity synthesis. Fairy not only addresses limitations of previous models, including memory and processing speed. It also improves temporal consistency through a unique data augmentation strategy. This strategy renders the model equivariant to affine transformations in both source and target images. Remarkably efficient, Fairy generates 120-frame 512x384 videos (4-second duration at 30 FPS) in just 14 seconds, outpacing prior works by at least 44x. A comprehensive user study, involving 1000 generated samples, confirms that our approach delivers superior quality, decisively outperforming established methods.