Ver y Escuchar: Generación Visual-Audio de Dominio Abierto con Alineadores Latentes de Difusión
Seeing and Hearing: Open-domain Visual-Audio Generation with Diffusion Latent Aligners
February 27, 2024
Autores: Yazhou Xing, Yingqing He, Zeyue Tian, Xintao Wang, Qifeng Chen
cs.AI
Resumen
La creación de contenido de video y audio sirve como técnica central para la industria cinematográfica y usuarios profesionales. Recientemente, los métodos existentes basados en difusión abordan la generación de video y audio por separado, lo cual dificulta la transferencia de esta técnica desde el ámbito académico hacia la industria. En este trabajo, nuestro objetivo es cerrar esta brecha mediante un marco de optimización cuidadosamente diseñado para la generación cruzada visual-audio y conjunta visual-audio. Observamos la potente capacidad de generación de los modelos disponibles para la generación de video o audio. Por lo tanto, en lugar de entrenar modelos gigantes desde cero, proponemos conectar los modelos fuertes existentes mediante un espacio de representación latente compartido. Específicamente, proponemos un alineador latente multimodal con el modelo ImageBind preentrenado. Nuestro alineador latente comparte un núcleo similar a la guía de clasificadores que dirige el proceso de eliminación de ruido por difusión durante el tiempo de inferencia. A través de una estrategia de optimización y funciones de pérdida cuidadosamente diseñadas, demostramos el rendimiento superior de nuestro método en tareas de generación conjunta de video-audio, generación de audio guiada por visión y generación visual guiada por audio. El sitio web del proyecto se puede encontrar en https://yzxing87.github.io/Seeing-and-Hearing/.
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/