DreamVideo: Создание ваших видеоснов с персонализированным объектом и движением

DreamVideo: Composing Your Dream Videos with Customized Subject and Motion

December 7, 2023

Авторы: Yujie Wei, Shiwei Zhang, Zhiwu Qing, Hangjie Yuan, Zhiheng Liu, Yu Liu, Yingya Zhang, Jingren Zhou, Hongming Shan

cs.AI

Аннотация

Персонализированная генерация с использованием диффузионных моделей достигла впечатляющих успехов в создании изображений, но остается неудовлетворительной в сложной задаче генерации видео, так как требует контроля как над объектами, так и над движениями. Для решения этой проблемы мы представляем DreamVideo — новый подход к созданию персонализированных видео на основе нескольких статичных изображений желаемого объекта и нескольких видео с целевым движением. DreamVideo разделяет эту задачу на два этапа: изучение объекта и изучение движения, используя предварительно обученную видео-диффузионную модель. На этапе изучения объекта ставится цель точно зафиксировать детали внешнего вида объекта на основе предоставленных изображений, что достигается за счет комбинации текстовой инверсии и тонкой настройки нашего тщательно разработанного адаптера идентичности. На этапе изучения движения мы создаем адаптер движения и настраиваем его на предоставленных видео, чтобы эффективно моделировать целевой паттерн движения. Комбинация этих двух легковесных и эффективных адаптеров позволяет гибко настраивать любой объект с любым движением. Обширные экспериментальные результаты демонстрируют превосходство нашего DreamVideo по сравнению с современными методами персонализированной генерации видео. Страница проекта доступна по адресу https://dreamvideo-t2v.github.io.

English

Customized generation using diffusion models has made impressive progress in image generation, but remains unsatisfactory in the challenging video generation task, as it requires the controllability of both subjects and motions. To that end, we present DreamVideo, a novel approach to generating personalized videos from a few static images of the desired subject and a few videos of target motion. DreamVideo decouples this task into two stages, subject learning and motion learning, by leveraging a pre-trained video diffusion model. The subject learning aims to accurately capture the fine appearance of the subject from provided images, which is achieved by combining textual inversion and fine-tuning of our carefully designed identity adapter. In motion learning, we architect a motion adapter and fine-tune it on the given videos to effectively model the target motion pattern. Combining these two lightweight and efficient adapters allows for flexible customization of any subject with any motion. Extensive experimental results demonstrate the superior performance of our DreamVideo over the state-of-the-art methods for customized video generation. Our project page is at https://dreamvideo-t2v.github.io.