Make-Your-Video: Gepersonaliseerde Videogeneratie met Gebruik van Tekstuele en Structurele Begeleiding

Make-Your-Video: Customized Video Generation Using Textual and Structural Guidance

June 1, 2023

Auteurs: Jinbo Xing, Menghan Xia, Yuxin Liu, Yuechen Zhang, Yong Zhang, Yingqing He, Hanyuan Liu, Haoxin Chen, Xiaodong Cun, Xintao Wang, Ying Shan, Tien-Tsin Wong

cs.AI

Samenvatting

Het creëren van een levendige video vanuit een gebeurtenis of scenario in onze verbeelding is een werkelijk fascinerende ervaring. Recente vooruitgang in tekst-naar-video-synthese heeft het potentieel onthuld om dit te bereiken met alleen prompts. Hoewel tekst handig is om de algemene context van een scène over te brengen, kan het onvoldoende zijn om precies te controleren. In dit artikel onderzoeken we gepersonaliseerde videogeneratie door tekst te gebruiken als contextbeschrijving en bewegingsstructuur (bijvoorbeeld framegewijze diepte) als concrete richtlijn. Onze methode, genaamd Make-Your-Video, omvat gezamenlijk-voorwaardelijke videogeneratie met behulp van een Latent Diffusion Model dat vooraf is getraind voor stilstaande beeld-synthese en vervolgens wordt bevorderd voor videogeneratie met de introductie van temporele modules. Dit tweestaps-leerschema vermindert niet alleen de benodigde rekenbronnen, maar verbetert ook de prestaties door de rijke concepten die beschikbaar zijn in beelddatasets over te dragen naar videogeneratie. Bovendien gebruiken we een eenvoudige maar effectieve causale aandachtmaskerstrategie om langere videosynthese mogelijk te maken, wat de mogelijke kwaliteitsdegradatie effectief vermindert. Experimentele resultaten tonen de superioriteit van onze methode ten opzichte van bestaande baselines, met name wat betreft temporele coherentie en trouw aan de richtlijnen van gebruikers. Daarnaast maakt ons model verschillende intrigerende toepassingen mogelijk die potentieel aantonen voor praktisch gebruik.

English

Creating a vivid video from the event or scenario in our imagination is a truly fascinating experience. Recent advancements in text-to-video synthesis have unveiled the potential to achieve this with prompts only. While text is convenient in conveying the overall scene context, it may be insufficient to control precisely. In this paper, we explore customized video generation by utilizing text as context description and motion structure (e.g. frame-wise depth) as concrete guidance. Our method, dubbed Make-Your-Video, involves joint-conditional video generation using a Latent Diffusion Model that is pre-trained for still image synthesis and then promoted for video generation with the introduction of temporal modules. This two-stage learning scheme not only reduces the computing resources required, but also improves the performance by transferring the rich concepts available in image datasets solely into video generation. Moreover, we use a simple yet effective causal attention mask strategy to enable longer video synthesis, which mitigates the potential quality degradation effectively. Experimental results show the superiority of our method over existing baselines, particularly in terms of temporal coherence and fidelity to users' guidance. In addition, our model enables several intriguing applications that demonstrate potential for practical usage.