Pix2Gif: Generazione di GIF tramite Diffusione Guidata dal Movimento

Pix2Gif: Motion-Guided Diffusion for GIF Generation

March 7, 2024

Autori: Hitesh Kandala, Jianfeng Gao, Jianwei Yang

cs.AI

Abstract

Presentiamo Pix2Gif, un modello di diffusione guidato dal movimento per la generazione di immagini in GIF (video). Affrontiamo questo problema in modo diverso formulando il compito come un problema di traduzione di immagini guidato da prompt testuali e di magnitudine del movimento, come mostrato nella figura introduttiva. Per garantire che il modello segua la guida del movimento, proponiamo un nuovo modulo di deformazione guidata dal movimento per trasformare spazialmente le caratteristiche dell'immagine sorgente condizionate sui due tipi di prompt. Inoltre, introduciamo una perdita percettiva per assicurare che la mappa delle caratteristiche trasformate rimanga nello stesso spazio dell'immagine target, garantendo coerenza e consistenza del contenuto. In preparazione per l'addestramento del modello, abbiamo curato meticolosamente i dati estraendo frame di immagini coerenti dal dataset TGIF video-caption, che fornisce informazioni ricche sui cambiamenti temporali dei soggetti. Dopo il pre-addestramento, applichiamo il nostro modello in modalità zero-shot a diversi dataset video. Esperimenti qualitativi e quantitativi estesi dimostrano l'efficacia del nostro modello: non solo cattura il prompt semantico dal testo, ma anche quelli spaziali dalla guida del movimento. Addestriamo tutti i nostri modelli utilizzando un singolo nodo con 16 GPU V100. Codice, dataset e modelli sono resi pubblici all'indirizzo: https://hiteshk03.github.io/Pix2Gif/.

English

We present Pix2Gif, a motion-guided diffusion model for image-to-GIF (video) generation. We tackle this problem differently by formulating the task as an image translation problem steered by text and motion magnitude prompts, as shown in teaser fig. To ensure that the model adheres to motion guidance, we propose a new motion-guided warping module to spatially transform the features of the source image conditioned on the two types of prompts. Furthermore, we introduce a perceptual loss to ensure the transformed feature map remains within the same space as the target image, ensuring content consistency and coherence. In preparation for the model training, we meticulously curated data by extracting coherent image frames from the TGIF video-caption dataset, which provides rich information about the temporal changes of subjects. After pretraining, we apply our model in a zero-shot manner to a number of video datasets. Extensive qualitative and quantitative experiments demonstrate the effectiveness of our model -- it not only captures the semantic prompt from text but also the spatial ones from motion guidance. We train all our models using a single node of 16xV100 GPUs. Code, dataset and models are made public at: https://hiteshk03.github.io/Pix2Gif/.