Animate-A-Story: Narrativa com Geração de Vídeo Aumentada por Recuperação

Animate-A-Story: Storytelling with Retrieval-Augmented Video Generation

July 13, 2023

Autores: Yingqing He, Menghan Xia, Haoxin Chen, Xiaodong Cun, Yuan Gong, Jinbo Xing, Yong Zhang, Xintao Wang, Chao Weng, Ying Shan, Qifeng Chen

cs.AI

Resumo

A geração de vídeos para narrativas visuais pode ser um processo tedioso e complexo que normalmente requer filmagens ao vivo ou renderização de animações gráficas. Para contornar esses desafios, nossa ideia principal é utilizar a abundância de clipes de vídeo existentes e sintetizar um vídeo de narrativa coerente personalizando suas aparências. Isso é alcançado por meio do desenvolvimento de uma estrutura composta por dois módulos funcionais: (i) Recuperação de Estrutura de Movimento, que fornece candidatos a vídeo com o contexto de cena ou movimento desejado descrito por textos de consulta, e (ii) Síntese de Texto para Vídeo Guiada por Estrutura, que gera vídeos alinhados ao enredo sob a orientação da estrutura de movimento e prompts de texto. Para o primeiro módulo, aproveitamos um sistema de recuperação de vídeo pronto para uso e extraímos as profundidades do vídeo como estrutura de movimento. Para o segundo módulo, propomos um modelo de geração de vídeo controlável que oferece controles flexíveis sobre a estrutura e os personagens. Os vídeos são sintetizados seguindo a orientação estrutural e as instruções de aparência. Para garantir a consistência visual entre os clipes, propomos uma abordagem eficaz de personalização de conceitos, que permite a especificação das identidades dos personagens desejadas por meio de prompts de texto. Experimentos extensivos demonstram que nossa abordagem apresenta vantagens significativas em relação a várias linhas de base existentes.

English

Generating videos for visual storytelling can be a tedious and complex process that typically requires either live-action filming or graphics animation rendering. To bypass these challenges, our key idea is to utilize the abundance of existing video clips and synthesize a coherent storytelling video by customizing their appearances. We achieve this by developing a framework comprised of two functional modules: (i) Motion Structure Retrieval, which provides video candidates with desired scene or motion context described by query texts, and (ii) Structure-Guided Text-to-Video Synthesis, which generates plot-aligned videos under the guidance of motion structure and text prompts. For the first module, we leverage an off-the-shelf video retrieval system and extract video depths as motion structure. For the second module, we propose a controllable video generation model that offers flexible controls over structure and characters. The videos are synthesized by following the structural guidance and appearance instruction. To ensure visual consistency across clips, we propose an effective concept personalization approach, which allows the specification of the desired character identities through text prompts. Extensive experiments demonstrate that our approach exhibits significant advantages over various existing baselines.