NaRCan: естественное улучшенное каноническое изображение с интеграцией диффузии априори для видеомонтажа

NaRCan: Natural Refined Canonical Image with Integration of Diffusion Prior for Video Editing

June 10, 2024

Авторы: Ting-Hsuan Chen, Jiewen Chan, Hau-Shiang Shiu, Shih-Han Yen, Chang-Han Yeh, Yu-Lun Liu

cs.AI

Аннотация

Мы предлагаем фреймворк видеоредактирования NaRCan, который интегрирует гибридное поле деформации и диффузионный приор для генерации высококачественных естественных канонических изображений для представления входного видео. Наш подход использует гомографию для моделирования глобального движения и применяет многослойные перцептроны (MLP) для захвата локальных остаточных деформаций, улучшая способность модели обрабатывать сложную динамику видео. Внедрение диффузионного приора с начальных этапов обучения в нашу модель обеспечивает сохранение высококачественного естественного вида сгенерированных изображений, что делает произведенные канонические изображения подходящими для различных последующих задач видеоредактирования, что не достигается текущими методами на основе канонических изображений. Кроме того, мы внедряем тонкую настройку низкоранговой адаптации (LoRA) и представляем метод планирования обновления шума и диффузионного приора, который ускоряет процесс обучения в 14 раз. Обширные экспериментальные результаты показывают, что наш метод превосходит существующие подходы в различных задачах видеоредактирования и производит последовательные и высококачественные отредактированные видеопоследовательности. См. нашу страницу проекта для видеорезультатов по ссылке https://koi953215.github.io/NaRCan_page/.

English

We propose a video editing framework, NaRCan, which integrates a hybrid deformation field and diffusion prior to generate high-quality natural canonical images to represent the input video. Our approach utilizes homography to model global motion and employs multi-layer perceptrons (MLPs) to capture local residual deformations, enhancing the model's ability to handle complex video dynamics. By introducing a diffusion prior from the early stages of training, our model ensures that the generated images retain a high-quality natural appearance, making the produced canonical images suitable for various downstream tasks in video editing, a capability not achieved by current canonical-based methods. Furthermore, we incorporate low-rank adaptation (LoRA) fine-tuning and introduce a noise and diffusion prior update scheduling technique that accelerates the training process by 14 times. Extensive experimental results show that our method outperforms existing approaches in various video editing tasks and produces coherent and high-quality edited video sequences. See our project page for video results at https://koi953215.github.io/NaRCan_page/.