Meta清华校友推全新AI「视频生视频」方法！单张A100生成「男人秒变猩猩」大片

文章来源：新智元

今年，会不会是AI视频生成模型的元年？UT Austin联手Meta团队提出了一个全新V2V模型FlowVid，能够在1.5分钟内生成4秒高度一致性的视频。

图片来源：由无界 AI生成

英伟达高级科学家Jim Fan认为，2024年将是AI视频年。

我们已经见证，AI视频生成领域在过去一年里发生的巨变，RunWay的Gen-2、Pika的Pika 1.0等工具实现了高保真度、一致性。

与此同时，扩散模型彻底改变了图像到图像（I2I）的合成，现已逐渐渗透到视频到视频（V2V）的合成中。

不过，V2V合成面临的难题是，如何去维持视频帧之间时间连贯性。

来自得克萨斯大学奥斯汀分校和Meta GenAI团队成员，提出了一个能够保持一致性的V2V合成框架——FlowVid。

它通过利用空间条件和源视频中的时间光流信息，实现了合成的高度一致性。

论文地址：https://arxiv.org/abs/2312.17681

研究人员通过对第一帧进行光流变换编码，并将其作为在扩散模型中的辅助参考。

这样，模型就可以通过编辑第一帧使用任何流行的I2I模型，并将这些编辑效果传递到连续的帧中，实现视频合成。

值得一提的是，最新方法仅需1.5分钟，就能生成一段4秒，每秒30帧、分辨率为512×512的视频。

与此同时，FlowVid能够无缝与现有I2I模型配合，支持多种修改方式，包括风格化、物体替换和局部编辑。

网友将其称为，改编游戏规则的新论文。

一起看看，FlowVid在视频到视频合成上的强大效果。

演示

原始视频

Prompt：a woman wearing headphones, in flat 2d anime

提示：一位戴着耳机的女性，2D动画风格

Prompt：a Greek statue wearing headphones

提示：一尊戴着耳机的希腊雕塑

原始视频

Prompt：a Chinese ink painting of a panda eating bamboo

提示：一幅熊猫吃竹子的中国水墨画

Prompt：a koala eating bamboo

提示：一只正在吃竹子的考拉

原始视频

Prompt：A pixel art of an artist's rendering of an earth in space

提示：一幅以像素画风格呈现的地球在太空中的艺术绘制

Prompt：An artist's rendering of a Mars in space

提示：一幅太空中的火星的艺术绘制

原始视频

Prompt：Ukiyo-e Art a man is pulling a rope in a gym

提示：一幅浮世绘风格的作品，描绘了一名男子在健身房拉绳子

Prompt：A gorilla is pulling a rope in a gym

提示：一只大猩猩在健身房拉绳子

原始视频

Prompt：A shirtless man is doing a workout in a park, with the Egyptian pyramids visible in the distance

提示：一位光着上身的男士在公园锻炼，背景是遥远的埃及金字塔

Prompt：Batman is doing a workout in a park

提示：蝙蝠侠在公园锻炼

控制不完美「光流」，实现视频合成一致性

视频到视频（V2V）合成仍然是一项艰巨的任务。与静态图像相比，视频多了一个额外的时间维度。

由于文本的模糊性，有无数种方法可以编辑帧，使其与目标提示保持一致。但是，在视频中直接应用I2I模型，往往会在帧与帧之间产生令人不满意的像素闪烁。

也就是说，会出现不一致的现象。

为了提高视频中各帧之间的连贯性，有研究者尝试了一种方法——通过时空注意力机制，同时对多个视频帧进行编辑。

这种方法确实有所改进，但并没有完全实现我们想要的帧与帧之间的流畅过渡。其问题在于，视频中的运动只是在注意力模块中被隐式地保留下来。

另外，还有研究使用了视频中的显式光流引导（explicit optical flow guidance）。

具体来说，就是利用光流来确定视频帧之间像素点的对应关系，从而实现两帧之间像素级别的映射。随后，再用来生成遮挡物的掩码，以便进行图像修复，或者创建一个基准帧。

然而，如果光流估计不准确，这种严格的对应关系就会引发各种问题。

在最新的这篇论文中，研究人员尝试在利用光流技术的优势的同时，解决光流估计中存在的不足。

具体来说，FlowVid将首帧的图像通过光流扭曲来匹配后续的帧。这些经过扭曲处理的帧会保持与原始帧相同的结构，但会包含一些被遮挡的区域（灰色），如图2(b)所示。

如果使用光流作为严格的约束条件，比如对被遮挡的区域进行图像修复，那么不精确的腿部位置估计将持续存在。

研究人员试图将额外的空间条件（如图2(c)中的深度图）与时序条件结合起来。因为在空间条件下，腿的位置是正确的。

因此，空间-时间条件可以纠正不完美的光流，从而得到图2(d)中一致且准确的结果。

视频扩散模型FlowVid

论文中，研究人员在膨胀空间（inflated spatial）控制I2I模型的基础上，建立了一个视频扩散模型。

我们训练该模型使用空间条件(如深度图)和时间条件（流扭曲视频）来预测输入视频。

在生成过程中，研究人员采用了编辑-传播过程：

- 使用流行的I2I模型编辑第一帧。

- 使用训练好的模型在整个视频中编辑内容。

这种解耦设计允许研究人员采用自回归机制：当前批的最后一帧可以是下一批的第一帧，从而能够生成更长的视频。

FlowVid整体流程如下图：

（a）训练：首先从输入视频中获取空间条件（预测深度图）和估计光流。

对于所有帧，使用光流从第一帧开始进行扭曲。经过光流扭曲后的视频结构预计与输入视频相似，但会有一些遮挡区域（标记为灰色，放大后效果更佳）。

研究人员使用空间条件c和光流信息f训练视频扩散模型。

（b）生成：用现有的I2I模型编辑第一帧，并利用输入视频中的光流得到光流扭曲编辑后的视频。这里，光流条件和空间条件共同指导输出视频的合成。

效果碾压SOTA

研究人员对25个DAVIS视频集和115个人工设计的测试用例进行了用户研究。

其中，偏好率是在人类评估中该方法被选择的频次。运行时间是指在一台配备了A100 80GB显卡的计算机上，合成一个分辨率为512x512、时长为4秒的视频所需的时间。而成本则是以FlowVid为基准进行归一化处理之后得到的。

如下是与代表性的V2V的模型进行的定性比较。

FlowVid方法在及时对齐，以及整体视频质量方面脱颖而出。

看得出，直接将ControNet应用于每帧，还是会出现明显的闪烁，比如海盗的衣服和老虎的皮毛上。

CoDeF在输入视频中运动量较大时，会产生明显模糊的输出结果，比如人的手和老虎的脸，这些区域较为明显。

而Rerender经常无法捕捉大动作，比如桨的运动。此外，编辑过的老虎腿的颜色往往会与背景融为一体。

一个海盗在湖上划船

一幅老虎行走的油画

一位身着圣诞老人服装的女生站在雪景中，平面2D动画

在定量比较中，研究人员选择了与CoDeF、 Rerender和TokenFlow三个模型进行了对比。

如下表所示，FlowVid获得了45.7%的偏好率，大大优于CoDeF (3.5%)、 Rerender (10.2%)和TokenFlow (40.4%)。

此外，研究人员还在表1中比较了与现有方法的运行效率。因为视频长度不同，处理时间也不同。

这里，使用的是120帧的视频（4秒视频，30 FPS ），分辨率设置为512×512。

研究人员通过两次自回归评估生成31个关键帧，然后使用RIFE对非关键帧进行插值。

实验结果得出总的运行时间，包括图像处理、模型操作和帧插值，大约是1.5分钟。

这显著快于CoDeF（4.6分钟）、 Rerender（10.8分钟）和TokenFlow（15.8分钟），分别是它们的3.1倍，7.2倍和10.5倍。

消融实验

此外，研究人员还进行了颜色校准和条件类型的消融实验。

当评估过程自第一组数据逐步进行到第七组时，未经颜色校准的结果呈现灰色（图中）。而采用了FlowVid的颜色校准方法后，结果显得更为稳定（图右）。

一个男人在火星上跑步

Canny边缘检测提供了更细致的控制手段（适用于风格化处理），而深度图则赋予了更高的编辑灵活性（适用于物体替换）。

局限性

当然，FlowVid依然存在一定的局限性，具体包括：

编辑后的视频第一帧与原始视频第一帧在结构上不匹配（如上面的大象视频所示），以及快速运动导致的明显遮挡问题（如下面的芭蕾舞女视频所示）。

作者介绍

论文一作Feng Liang是得克萨斯大学奥斯汀分校的博士生。

此前，他于2019年获得清华大学的硕士学位，2016年获得华中科技大学的学士学位。

他的研究兴趣集中在高效机器学习（Efficient Machine Learning）、多模态学习（Multimodal Learning）及其应用领域。

通讯作者Bichen Wu是Meta GenAI的研究员。

在此之前，他于2019年获得加利福尼亚大学伯克利分校的博士学位，2013年获得清华大学的学士学位。

参考资料：

https://huggingface.co/papers/2312.17681

https://arxiv.org/abs/2312.17681