ControlVideo: Generazione Controllabile di Video da Testo Senza Addestramento

ControlVideo: Training-free Controllable Text-to-Video Generation

May 22, 2023

Autori: Yabo Zhang, Yuxiang Wei, Dongsheng Jiang, Xiaopeng Zhang, Wangmeng Zuo, Qi Tian

cs.AI

Abstract

I modelli di diffusione guidati da testo hanno sbloccato capacità senza precedenti nella generazione di immagini, mentre la loro controparte video è ancora in ritardo a causa degli eccessivi costi di addestramento richiesti per la modellazione temporale. Oltre al carico di addestramento, i video generati soffrono anche di incoerenza nell'aspetto e di sfarfallio strutturale, specialmente nella sintesi di video lunghi. Per affrontare queste sfide, abbiamo progettato un framework senza addestramento chiamato ControlVideo per abilitare una generazione video da testo naturale ed efficiente. ControlVideo, adattato da ControlNet, sfrutta la coerenza strutturale approssimativa proveniente dalle sequenze di movimento in input e introduce tre moduli per migliorare la generazione video. In primo luogo, per garantire la coerenza dell'aspetto tra i fotogrammi, ControlVideo aggiunge un'interazione completamente incrociata tra i fotogrammi nei moduli di self-attention. In secondo luogo, per mitigare l'effetto di sfarfallio, introduce uno smussatore a fotogrammi intervallati che utilizza l'interpolazione di fotogrammi su fotogrammi alternati. Infine, per produrre video lunghi in modo efficiente, utilizza un campionatore gerarchico che sintetizza separatamente ogni breve clip con coerenza complessiva. Potenziato da questi moduli, ControlVideo supera lo stato dell'arte su coppie estese di prompt di movimento sia quantitativamente che qualitativamente. In particolare, grazie ai design efficienti, genera sia video brevi che lunghi in pochi minuti utilizzando una NVIDIA 2080Ti. Il codice è disponibile all'indirizzo https://github.com/YBYBZhang/ControlVideo.

English

Text-driven diffusion models have unlocked unprecedented abilities in image generation, whereas their video counterpart still lags behind due to the excessive training cost of temporal modeling. Besides the training burden, the generated videos also suffer from appearance inconsistency and structural flickers, especially in long video synthesis. To address these challenges, we design a training-free framework called ControlVideo to enable natural and efficient text-to-video generation. ControlVideo, adapted from ControlNet, leverages coarsely structural consistency from input motion sequences, and introduces three modules to improve video generation. Firstly, to ensure appearance coherence between frames, ControlVideo adds fully cross-frame interaction in self-attention modules. Secondly, to mitigate the flicker effect, it introduces an interleaved-frame smoother that employs frame interpolation on alternated frames. Finally, to produce long videos efficiently, it utilizes a hierarchical sampler that separately synthesizes each short clip with holistic coherency. Empowered with these modules, ControlVideo outperforms the state-of-the-arts on extensive motion-prompt pairs quantitatively and qualitatively. Notably, thanks to the efficient designs, it generates both short and long videos within several minutes using one NVIDIA 2080Ti. Code is available at https://github.com/YBYBZhang/ControlVideo.