【新視野】時(shí)間、空間可控的視頻生成走進(jìn)現(xiàn)實(shí)，阿里大模型新作VideoComposer火了

在 AI 繪畫領(lǐng)域，阿里提出的 Composer 和斯坦福提出的基于 Stable diffusion 的 ControlNet 引領(lǐng)了可控圖像生成的理論發(fā)展。但是，業(yè)界在可控視頻生成上的探索依舊處于相對(duì)空白的狀態(tài)。

相比于圖像生成，可控的視頻更加復(fù)雜，因?yàn)槌艘曨l內(nèi)容的空間的可控性之外，還需要滿足時(shí)間維度的可控性?；诖?，阿里巴巴和螞蟻集團(tuán)的研究團(tuán)隊(duì)率先做出嘗試并提出了 VideoComposer，即通過組合式生成范式同時(shí)實(shí)現(xiàn)視頻在時(shí)間和空間兩個(gè)維度上的可控性。

(相關(guān)資料圖)

論文地址：/abs/

項(xiàng)目主頁：

前段時(shí)間，阿里巴巴在魔搭社區(qū)和 Hugging Face 低調(diào)開源了文生視頻大模型，意外地受到國內(nèi)外開發(fā)者的廣泛關(guān)注，該模型生成的視頻甚至得到馬斯克本尊的回應(yīng)，模型在魔搭社區(qū)上連續(xù)多天獲得單日上萬次國際訪問量。

Text-to-Video 在推特

VideoComposer 作為該研究團(tuán)隊(duì)的最新成果，又一次受到了國際社區(qū)的廣泛關(guān)注。

VideoComposer 在推特

事實(shí)上，可控性已經(jīng)成為視覺內(nèi)容創(chuàng)作的更高基準(zhǔn)，其在定制化的圖像生成方面取得了顯著進(jìn)步，但在視頻生成領(lǐng)域仍然具有三大挑戰(zhàn)：

復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，生成的視頻需同時(shí)滿足時(shí)間維度上的動(dòng)態(tài)變化的多樣性和時(shí)空維度的內(nèi)容一致性；

復(fù)雜的引導(dǎo)條件，已存在的可控的視頻生成需要復(fù)雜的條件是無法人為手動(dòng)構(gòu)建的。比如 Runway 提出的 Gen-1/2 需要依賴深度序列作條件，其能較好的實(shí)現(xiàn)視頻間的結(jié)構(gòu)遷移，但不能很好的解決可控性問題；

缺乏運(yùn)動(dòng)可控性，運(yùn)動(dòng)模式是視頻即復(fù)雜又抽象的屬性，運(yùn)動(dòng)可控性是解決視頻生成可控性的必要條件。

在此之前，阿里巴巴提出的 Composer 已經(jīng)證明了組合性對(duì)圖像生成可控性的提升具有極大的幫助，而 VideoComposer 這項(xiàng)研究同樣是基于組合式生成范式，在解決以上三大挑戰(zhàn)的同時(shí)提高視頻生成的靈活性。具體是將視頻分解成三種引導(dǎo)條件，即文本條件、空間條件、和視頻特有的時(shí)序條件，然后基于此訓(xùn)練 Video LDM (Video Latent Diffusion Model)。特別地，其將高效的 Motion Vector 作為重要的顯式的時(shí)序條件以學(xué)習(xí)視頻的運(yùn)動(dòng)模式，并設(shè)計(jì)了一個(gè)簡(jiǎn)單有效的時(shí)空條件編碼器 STC-encoder，保證條件驅(qū)動(dòng)視頻的時(shí)空連續(xù)性。在推理階段，則可以隨機(jī)組合不同的條件來控制視頻內(nèi)容。

實(shí)驗(yàn)結(jié)果表明，VideoComposer 能夠靈活控制視頻的時(shí)間和空間的模式，比如通過單張圖、手繪圖等生成特定的視頻，甚至可以通過簡(jiǎn)單的手繪方向輕松控制目標(biāo)的運(yùn)動(dòng)風(fēng)格。該研究在 9 個(gè)不同的經(jīng)典任務(wù)上直接測(cè)試 VideoComposer 的性能，均獲得滿意的結(jié)果，證明了 VideoComposer 通用性。

圖 （a-c）VideoComposer 能夠生成符合文本、空間和時(shí)間條件或其子集的視頻；（d）VideoComposer 可以僅僅利用兩筆畫來生成滿足梵高風(fēng)格的視頻，同時(shí)滿足預(yù)期運(yùn)動(dòng)模式（紅色筆畫）和形狀模式（白色筆畫）

方法介紹

Video LDM

隱空間。Video LDM 首先引入預(yù)訓(xùn)練的編碼器將輸入的視頻 映射到隱空間表達(dá) ，其中 。然后，在用預(yù)先訓(xùn)練的解碼器 D 將隱空間映射到像素空間上去 。在 VideoComposer 中，參數(shù)設(shè)置 。

擴(kuò)散模型。為了學(xué)習(xí)實(shí)際的視頻內(nèi)容分布 ，擴(kuò)散模型學(xué)習(xí)從正態(tài)分布噪聲中逐步去噪來恢復(fù)真實(shí)的視覺內(nèi)容，該過程實(shí)際上是在模擬可逆的長(zhǎng)度為 T=1000 的馬爾可夫鏈。為了在隱空間中進(jìn)行可逆過程，Video LDM 將噪聲注入到 中，得到噪聲注入的隱變量 。然后其通過用去噪函數(shù) 作用在 和輸入條件 c 上，那么其優(yōu)化目標(biāo)如下：

為了充分探索利用空間局部的歸納偏置和序列的時(shí)間歸納偏置進(jìn)行去噪，VideoComposer 將 實(shí)例化為一個(gè) 3D UNet，同時(shí)使用時(shí)序卷積算子和交叉注意機(jī)制。

VideoComposer

組合條件。VideoComposer 將視頻分解為三種不同類型的條件，即文本條件、空間條件和關(guān)鍵的時(shí)序條件，它們可以共同確定視頻中的空間和時(shí)間模式。VideoComposer 是一個(gè)通用的組合式視頻生成框架，因此，可以根據(jù)下游應(yīng)用程序?qū)⒏嗟亩ㄖ茥l件納入 VideoComposer，不限于下述列出的條件：

文本條件：文本 (Text) 描述以粗略的視覺內(nèi)容和運(yùn)動(dòng)方面提供視頻的直觀指示，這也是常用的 T2V 常用的條件；

空間條件：

時(shí)序條件：

時(shí)空條件編碼器。序列條件包含豐富而復(fù)雜的時(shí)空依賴關(guān)系，對(duì)可控的指示帶來了較大挑戰(zhàn)。為了增強(qiáng)輸入條件的時(shí)序感知，該研究設(shè)計(jì)了一個(gè)時(shí)空條件編碼器（STC-encoder）來納入空時(shí)關(guān)系。具體而言，首先應(yīng)用一個(gè)輕量級(jí)的空間結(jié)構(gòu)，包括兩個(gè) 2D 卷積和一個(gè) avgPooling，用于提取局部空間信息，然后將得到的條件序列被輸入到一個(gè)時(shí)序 Transformer 層進(jìn)行時(shí)間建模。這樣，STC-encoder 可以促進(jìn)時(shí)間提示的顯式嵌入，為多樣化的輸入提供統(tǒng)一的條件植入入口，從而增強(qiáng)幀間一致性。另外，該研究在時(shí)間維度上重復(fù)單個(gè)圖像和單個(gè)草圖的空間條件，以確保它們與時(shí)間條件的一致性，從而方便條件植入過程。

通過 STC-encoder 處理?xiàng)l件后，最終的條件序列具有與 相同的空間形狀，然后通過元素加法融合。最后，沿通道維度將合并后的條件序列與 連接起來作為控制信號(hào)。對(duì)于文本和風(fēng)格條件，利用交叉注意力機(jī)制注入文本和風(fēng)格指導(dǎo)。

訓(xùn)練和推理

兩階段訓(xùn)練策略。雖然 VideoComposer 可以通過圖像 LDM 的預(yù)訓(xùn)練進(jìn)行初始化，其能夠在一定程度上緩解訓(xùn)練難度，但模型難以同時(shí)具有時(shí)序動(dòng)態(tài)感知的能力和多條件生成的能力，這個(gè)會(huì)增加訓(xùn)練組合視頻生成的難度。因此，該研究采用了兩階段優(yōu)化策略，第一階段通過 T2V 訓(xùn)練的方法，讓模型初步具有時(shí)序建模能力；第二階段在通過組合式訓(xùn)練來優(yōu)化 VideoComposer，以達(dá)到比較好的性能。

推理。在推理過程中，采用 DDIM 來提高推理效率。并采用無分類器指導(dǎo)來確保生成結(jié)果符合指定條件。生成過程可以形式化如下：

其中，ω 是指導(dǎo)比例；c1 和 c2 是兩組條件。這種指導(dǎo)機(jī)制在兩條件集合判斷，可以通過強(qiáng)度控制來讓模型具有更加靈活的控制。

實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)探索中，該研究證明作為 VideoComposer 作為統(tǒng)一模型具有通用生成框架，并在 9 項(xiàng)經(jīng)典任務(wù)上驗(yàn)證 VideoComposer 的能力。

該研究的部分結(jié)果如下，在靜態(tài)圖片到視頻生成（圖 4）、視頻 Inpainting（圖 5）、靜態(tài)草圖生成生視頻（圖 6）、手繪運(yùn)動(dòng)控制視頻（圖 8）、運(yùn)動(dòng)遷移（圖 A12）均能體現(xiàn)可控視頻生成的優(yōu)勢(shì)。

團(tuán)隊(duì)介紹

公開信息顯示，阿里巴巴在視覺基礎(chǔ)模型上的研究主要圍繞視覺表征大模型、視覺生成式大模型及其下游應(yīng)用的研究，并在相關(guān)領(lǐng)域已經(jīng)發(fā)表 CCF-A 類論文 60 余篇以及在多項(xiàng)行業(yè)競(jìng)賽中獲得 10 余項(xiàng)國際冠軍，比如可控圖像生成方法 Composer、圖文預(yù)訓(xùn)練方法 RA-CLIP 和 RLEG、未裁剪長(zhǎng)視頻自監(jiān)督學(xué)習(xí) HiCo/HiCo++、說話人臉生成方法 LipFormer 等均出自該團(tuán)隊(duì)。

?THE END

轉(zhuǎn)載請(qǐng)聯(lián)系本公眾號(hào)獲得授權(quán)

投稿或?qū)で髨?bào)道：content@

關(guān)鍵詞：