ChatPaper.aiChatPaper

LumosFlow: Генерация длинных видео с управлением движением

LumosFlow: Motion-Guided Long Video Generation

June 3, 2025
Авторы: Jiahao Chen, Hangjie Yuan, Yichen Qian, Jingyun Liang, Jiazheng Xing, Pengwei Liu, Weihua Chen, Fan Wang, Bing Su
cs.AI

Аннотация

Генерация длинных видео привлекает все больше внимания благодаря широкому применению в таких областях, как развлечения и симуляции. Несмотря на прогресс, синтез временно согласованных и визуально привлекательных длинных последовательностей остается сложной задачей. Традиционные подходы часто синтезируют длинные видео путем последовательной генерации и объединения коротких клипов или генерации ключевых кадров с последующей интерполяцией промежуточных кадров в иерархической манере. Однако оба подхода по-прежнему сталкиваются с серьезными трудностями, приводящими к таким проблемам, как временные повторы или неестественные переходы. В данной работе мы пересматриваем иерархический процесс генерации длинных видео и представляем LumosFlow — фреймворк, который явно вводит управление движением. В частности, мы сначала используем Large Motion Text-to-Video Diffusion Model (LMTV-DM) для генерации ключевых кадров с большими интервалами движения, что обеспечивает разнообразие контента в создаваемых длинных видео. Учитывая сложность интерполяции контекстных переходов между ключевыми кадрами, мы дополнительно разбиваем интерполяцию промежуточных кадров на генерацию движения и последующее уточнение. Для каждой пары ключевых кадров Latent Optical Flow Diffusion Model (LOF-DM) синтезирует сложные и крупномасштабные оптические потоки, а MotionControlNet затем уточняет результаты деформации для повышения качества и управления генерацией промежуточных кадров. По сравнению с традиционной интерполяцией видеокадров мы достигаем 15-кратной интерполяции, обеспечивая разумное и непрерывное движение между соседними кадрами. Эксперименты показывают, что наш метод позволяет генерировать длинные видео с согласованным движением и внешним видом. Код и модели будут опубликованы после принятия статьи. Страница проекта: https://jiahaochen1.github.io/LumosFlow/
English
Long video generation has gained increasing attention due to its widespread applications in fields such as entertainment and simulation. Despite advances, synthesizing temporally coherent and visually compelling long sequences remains a formidable challenge. Conventional approaches often synthesize long videos by sequentially generating and concatenating short clips, or generating key frames and then interpolate the intermediate frames in a hierarchical manner. However, both of them still remain significant challenges, leading to issues such as temporal repetition or unnatural transitions. In this paper, we revisit the hierarchical long video generation pipeline and introduce LumosFlow, a framework introduce motion guidance explicitly. Specifically, we first employ the Large Motion Text-to-Video Diffusion Model (LMTV-DM) to generate key frames with larger motion intervals, thereby ensuring content diversity in the generated long videos. Given the complexity of interpolating contextual transitions between key frames, we further decompose the intermediate frame interpolation into motion generation and post-hoc refinement. For each pair of key frames, the Latent Optical Flow Diffusion Model (LOF-DM) synthesizes complex and large-motion optical flows, while MotionControlNet subsequently refines the warped results to enhance quality and guide intermediate frame generation. Compared with traditional video frame interpolation, we achieve 15x interpolation, ensuring reasonable and continuous motion between adjacent frames. Experiments show that our method can generate long videos with consistent motion and appearance. Code and models will be made publicly available upon acceptance. Our project page: https://jiahaochen1.github.io/LumosFlow/
PDF182June 4, 2025