NaRCan: Immagine Canonica Raffinata Naturale con Integrazione del Prior di Diffusione per l'Editing Video

NaRCan: Natural Refined Canonical Image with Integration of Diffusion Prior for Video Editing

June 10, 2024

Autori: Ting-Hsuan Chen, Jiewen Chan, Hau-Shiang Shiu, Shih-Han Yen, Chang-Han Yeh, Yu-Lun Liu

cs.AI

Abstract

Proponiamo un framework per l'editing video, NaRCan, che integra un campo di deformazione ibrido e un prior di diffusione per generare immagini canoniche naturali di alta qualità che rappresentano il video di input. Il nostro approccio utilizza l'omografia per modellare il movimento globale e impiega perceptroni multistrato (MLP) per catturare le deformazioni residue locali, migliorando la capacità del modello di gestire dinamiche video complesse. Introducendo un prior di diffusione sin dalle prime fasi dell'addestramento, il nostro modello garantisce che le immagini generate mantengano un aspetto naturale di alta qualità, rendendo le immagini canoniche prodotte adatte a varie attività di editing video, una capacità non raggiunta dai metodi canonici attuali. Inoltre, incorporiamo un fine-tuning tramite adattamento a basso rango (LoRA) e introduciamo una tecnica di aggiornamento programmato del rumore e del prior di diffusione che accelera il processo di addestramento di 14 volte. I risultati sperimentali estesi dimostrano che il nostro metodo supera gli approcci esistenti in varie attività di editing video e produce sequenze video modificate coerenti e di alta qualità. Consulta la nostra pagina del progetto per i risultati video all'indirizzo https://koi953215.github.io/NaRCan_page/.

English

We propose a video editing framework, NaRCan, which integrates a hybrid deformation field and diffusion prior to generate high-quality natural canonical images to represent the input video. Our approach utilizes homography to model global motion and employs multi-layer perceptrons (MLPs) to capture local residual deformations, enhancing the model's ability to handle complex video dynamics. By introducing a diffusion prior from the early stages of training, our model ensures that the generated images retain a high-quality natural appearance, making the produced canonical images suitable for various downstream tasks in video editing, a capability not achieved by current canonical-based methods. Furthermore, we incorporate low-rank adaptation (LoRA) fine-tuning and introduce a noise and diffusion prior update scheduling technique that accelerates the training process by 14 times. Extensive experimental results show that our method outperforms existing approaches in various video editing tasks and produces coherent and high-quality edited video sequences. See our project page for video results at https://koi953215.github.io/NaRCan_page/.