MovieDreamer: Generación Jerárquica para Secuencias Visuales Largas Coherentes

MovieDreamer: Hierarchical Generation for Coherent Long Visual Sequence

July 23, 2024

Autores: Canyu Zhao, Mingyu Liu, Wen Wang, Jianlong Yuan, Hao Chen, Bo Zhang, Chunhua Shen

cs.AI

Resumen

Los avances recientes en generación de video han aprovechado principalmente modelos de difusión para contenido de corta duración. Sin embargo, estos enfoques a menudo no logran modelar narrativas complejas y mantener la consistencia de personajes durante períodos prolongados, lo cual es esencial para la producción de videos de larga duración como películas. Proponemos MovieDreamer, un novedoso marco jerárquico que integra las fortalezas de modelos autorregresivos con renderización basada en difusión para liderar la generación de video de larga duración con progresiones de trama intrincadas y alta fidelidad visual. Nuestro enfoque utiliza modelos autorregresivos para coherencia narrativa global, prediciendo secuencias de tokens visuales que posteriormente se transforman en fotogramas de video de alta calidad a través de renderización por difusión. Este método es similar a los procesos tradicionales de producción cinematográfica, donde historias complejas se factorizan en capturas de escena manejables. Además, empleamos un guion multimodal que enriquece las descripciones de escenas con información detallada de personajes y estilo visual, mejorando la continuidad e identidad de personajes a lo largo de las escenas. Presentamos experimentos extensos en varios géneros de películas, demostrando que nuestro enfoque no solo logra una calidad visual y narrativa superior, sino que también extiende efectivamente la duración del contenido generado significativamente más allá de las capacidades actuales. Página principal: https://aim-uofa.github.io/MovieDreamer/.

English

Recent advancements in video generation have primarily leveraged diffusion models for short-duration content. However, these approaches often fall short in modeling complex narratives and maintaining character consistency over extended periods, which is essential for long-form video production like movies. We propose MovieDreamer, a novel hierarchical framework that integrates the strengths of autoregressive models with diffusion-based rendering to pioneer long-duration video generation with intricate plot progressions and high visual fidelity. Our approach utilizes autoregressive models for global narrative coherence, predicting sequences of visual tokens that are subsequently transformed into high-quality video frames through diffusion rendering. This method is akin to traditional movie production processes, where complex stories are factorized down into manageable scene capturing. Further, we employ a multimodal script that enriches scene descriptions with detailed character information and visual style, enhancing continuity and character identity across scenes. We present extensive experiments across various movie genres, demonstrating that our approach not only achieves superior visual and narrative quality but also effectively extends the duration of generated content significantly beyond current capabilities. Homepage: https://aim-uofa.github.io/MovieDreamer/.