Make-Your-Video: Генерация персонализированных видео с использованием текстовых и структурных указаний

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

June 1, 2023

Авторы: 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

Аннотация

Создание яркого видео из события или сценария в нашем воображении — это поистине захватывающий опыт. Недавние достижения в области синтеза видео из текста раскрыли потенциал для реализации этого с использованием только текстовых подсказок. Хотя текст удобен для передачи общего контекста сцены, он может быть недостаточным для точного контроля. В данной работе мы исследуем персонализированную генерацию видео, используя текст как описание контекста и структуру движения (например, глубину по кадрам) в качестве конкретного руководства. Наш метод, названный Make-Your-Video, включает совместно-условную генерацию видео с использованием Latent Diffusion Model, которая предварительно обучена для синтеза статичных изображений, а затем адаптирована для генерации видео с введением временных модулей. Эта двухэтапная схема обучения не только сокращает требуемые вычислительные ресурсы, но и улучшает производительность за счет переноса богатых концепций из наборов данных изображений исключительно в генерацию видео. Более того, мы используем простую, но эффективную стратегию маскирования причинного внимания для синтеза более длинных видео, что эффективно смягчает потенциальное ухудшение качества. Экспериментальные результаты демонстрируют превосходство нашего метода над существующими базовыми подходами, особенно в плане временной согласованности и соответствия указаниям пользователя. Кроме того, наша модель позволяет реализовать несколько интересных приложений, демонстрирующих потенциал для практического использования.

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.