Pix2Gif: Диффузия, управляемая движением, для генерации GIF.

Pix2Gif: Motion-Guided Diffusion for GIF Generation

March 7, 2024

Авторы: Hitesh Kandala, Jianfeng Gao, Jianwei Yang

cs.AI

Аннотация

Мы представляем Pix2Gif, модель диффузии, управляемую движением, для генерации изображения в формат GIF (видео). Мы решаем эту проблему по-другому, формулируя задачу как проблему перевода изображения, управляемую текстом и величиной движения, как показано на иллюстрации. Чтобы гарантировать, что модель следует указаниям движения, мы предлагаем новый модуль искажения, управляемый движением, для пространственного преобразования признаков исходного изображения, условие которого зависит от двух типов указаний. Более того, мы вводим потерю восприятия для обеспечения того, чтобы преобразованная карта признаков оставалась в том же пространстве, что и целевое изображение, гарантируя согласованность и последовательность контента. В преддверии обучения модели мы тщательно подготовили данные, извлекая согласованные кадры изображения из набора данных TGIF с описанием видео, который предоставляет обширную информацию о временных изменениях объектов. После предварительного обучения мы применяем нашу модель в режиме нулевой настройки к ряду видео-наборов данных. Обширные качественные и количественные эксперименты демонстрируют эффективность нашей модели - она не только улавливает семантическое указание из текста, но и пространственные указания из управления движением. Мы обучаем все наши модели, используя один узел с 16xV100 графическими процессорами. Код, набор данных и модели доступны по ссылке: https://hiteshk03.github.io/Pix2Gif/.

English

We present Pix2Gif, a motion-guided diffusion model for image-to-GIF (video) generation. We tackle this problem differently by formulating the task as an image translation problem steered by text and motion magnitude prompts, as shown in teaser fig. To ensure that the model adheres to motion guidance, we propose a new motion-guided warping module to spatially transform the features of the source image conditioned on the two types of prompts. Furthermore, we introduce a perceptual loss to ensure the transformed feature map remains within the same space as the target image, ensuring content consistency and coherence. In preparation for the model training, we meticulously curated data by extracting coherent image frames from the TGIF video-caption dataset, which provides rich information about the temporal changes of subjects. After pretraining, we apply our model in a zero-shot manner to a number of video datasets. Extensive qualitative and quantitative experiments demonstrate the effectiveness of our model -- it not only captures the semantic prompt from text but also the spatial ones from motion guidance. We train all our models using a single node of 16xV100 GPUs. Code, dataset and models are made public at: https://hiteshk03.github.io/Pix2Gif/.