FlowMo: Управление движением на основе дисперсии для согласованной анимации в генерации видео

FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation

June 1, 2025

Авторы: Ariel Shaulov, Itay Hazan, Lior Wolf, Hila Chefer

cs.AI

Аннотация

Модели диффузии для генерации видео из текста известны своими ограничениями в способности моделировать временные аспекты, такие как движение, физика и динамические взаимодействия. Существующие подходы решают эту проблему путем переобучения модели или введения внешних управляющих сигналов для обеспечения временной согласованности. В данной работе мы исследуем, можно ли извлечь осмысленное временное представление непосредственно из предсказаний предварительно обученной модели без дополнительного обучения или вспомогательных входных данных. Мы представляем FlowMo — новый метод управления без обучения, который улучшает согласованность движения, используя только собственные предсказания модели на каждом шаге диффузии. FlowMo сначала извлекает временное представление, очищенное от влияния внешнего вида, измеряя расстояние между латентными переменными, соответствующими последовательным кадрам. Это подчеркивает неявную временную структуру, предсказанную моделью. Затем метод оценивает согласованность движения, измеряя поточечную дисперсию по временной оси, и направляет модель на динамическое уменьшение этой дисперсии в процессе выборки. Многочисленные эксперименты с различными моделями генерации видео из текста демонстрируют, что FlowMo значительно улучшает согласованность движения без ущерба для визуального качества или соответствия текстовому запросу, предлагая эффективное plug-and-play решение для повышения временной точности предварительно обученных моделей диффузии видео.

English

Text-to-video diffusion models are notoriously limited in their ability to model temporal aspects such as motion, physics, and dynamic interactions. Existing approaches address this limitation by retraining the model or introducing external conditioning signals to enforce temporal consistency. In this work, we explore whether a meaningful temporal representation can be extracted directly from the predictions of a pre-trained model without any additional training or auxiliary inputs. We introduce FlowMo, a novel training-free guidance method that enhances motion coherence using only the model's own predictions in each diffusion step. FlowMo first derives an appearance-debiased temporal representation by measuring the distance between latents corresponding to consecutive frames. This highlights the implicit temporal structure predicted by the model. It then estimates motion coherence by measuring the patch-wise variance across the temporal dimension and guides the model to reduce this variance dynamically during sampling. Extensive experiments across multiple text-to-video models demonstrate that FlowMo significantly improves motion coherence without sacrificing visual quality or prompt alignment, offering an effective plug-and-play solution for enhancing the temporal fidelity of pre-trained video diffusion models.