阿里巴巴、香港大學(xué)、螞蟻集團(tuán)的研究人員提出了一種全新圖片生成動(dòng)態(tài)視頻模型——LivePhoto。用戶通過(guò)LivePhoto,可將一張靜態(tài)圖片快速生成高精準(zhǔn)的動(dòng)態(tài)視頻。
與傳統(tǒng)方法不同的是,LivePhoto在開(kāi)源文生圖模型Stable Diffusion基礎(chǔ)之上,增加了運(yùn)動(dòng)強(qiáng)度和文本加權(quán)兩大創(chuàng)新模塊,可精準(zhǔn)掌控動(dòng)態(tài)視頻生成過(guò)程中的運(yùn)動(dòng)強(qiáng)度、文本描述。
研究人員將LivePhoto與主流模型Gen-2、Pikalabs進(jìn)行了比較,經(jīng)過(guò)多輪測(cè)試效果非常卓越。
論文地址:https://arxiv.org/abs/2312.02928
從論文來(lái)看,LivePhoto模型主要由三大模塊組成:首先是圖像內(nèi)容控制模塊,通過(guò)多種策略提供強(qiáng)大的像素級(jí)和語(yǔ)義級(jí)圖像指導(dǎo),從而確保生成序列中每一幀的視覺(jué)內(nèi)容與原圖保持高度一致。
其次是運(yùn)動(dòng)建模模塊,基于知名開(kāi)源模型Stable Diffusion,僅訓(xùn)練插入的特定組件來(lái)捕捉幀間隱含的運(yùn)動(dòng)模式。
第三個(gè)是額外控制指令模塊,是一種運(yùn)動(dòng)強(qiáng)度估計(jì)和文本重新加權(quán)的方法,可有效減少文本到運(yùn)動(dòng)映射中的歧義,使得所生成的圖像動(dòng)畫視頻更好地遵循文本指令描述。
圖像內(nèi)容控制
為了實(shí)現(xiàn)生成內(nèi)容與參考圖像保持一致,LivePhoto使用了三種圖像指導(dǎo)方法:1)參考潛在表示拼接通過(guò)VAE編碼器提取參考圖像的潛在表示,并直接拼接到模型輸入中,實(shí)現(xiàn)像素級(jí)指導(dǎo)。
2)內(nèi)容編碼器,使用了預(yù)訓(xùn)練的DINOv2網(wǎng)絡(luò)提取參考圖像的圖像塊表示,并通過(guò)新增的交叉注意力層注入到UNet網(wǎng)絡(luò)中,提供全局內(nèi)容約束。
3)先驗(yàn)反向映射,在推理階段,將參考潛在表示的反向映射混合到高斯噪聲中,為細(xì)節(jié)生成提供先驗(yàn)知識(shí)。
此外,LivePhoto凍結(jié)了Stable Diffusion模型的部分功能,僅訓(xùn)練插入了其中的可學(xué)習(xí)運(yùn)動(dòng)模塊,用來(lái)構(gòu)建不同幀間的運(yùn)動(dòng)聯(lián)系。相當(dāng)于每個(gè)UNet組件中插入了一個(gè)運(yùn)動(dòng)模塊,采用了類似AnimateDiff的結(jié)構(gòu)。
額外指令
通過(guò)圖像內(nèi)容控制和運(yùn)動(dòng)模塊,基本可以勾勒出大致的運(yùn)動(dòng)視頻內(nèi)容。但仍然無(wú)法精準(zhǔn)控制運(yùn)動(dòng)方式,這是因?yàn)槲谋局型瑫r(shí)包含內(nèi)容和運(yùn)動(dòng)兩個(gè)方面的描述,而參考圖像起主導(dǎo)作用,容易造成內(nèi)容描述對(duì)運(yùn)動(dòng)描述的抑制。
為解決這一問(wèn)題,開(kāi)發(fā)人員提出了兩種額外的指令:
1)運(yùn)動(dòng)強(qiáng)度,考慮到文本指令本身很難準(zhǔn)確表達(dá)運(yùn)動(dòng)特征, LivePhoto引入了一個(gè)1-10的值來(lái)參數(shù)化運(yùn)動(dòng)強(qiáng)度。這一超參數(shù)既可于訓(xùn)練時(shí)促進(jìn)文本與運(yùn)動(dòng)的匹配,也為用戶提供了方便的推理調(diào)節(jié)接口。
2)文本加權(quán),為區(qū)分文本中與內(nèi)容和運(yùn)動(dòng)相關(guān)的部分, LivePhoto設(shè)計(jì)了文本加權(quán)功能。
其目標(biāo)是檢測(cè)文本中與運(yùn)動(dòng)相關(guān)的維度,并對(duì)其進(jìn)行加權(quán)放大。這可以減少內(nèi)容描述帶來(lái)的干擾,從而增強(qiáng)運(yùn)動(dòng)控制能力。
實(shí)驗(yàn)結(jié)果也證明,在運(yùn)動(dòng)強(qiáng)度指導(dǎo)和文本加權(quán)的幫助下,LivePhoto展現(xiàn)出了十分出色的零樣本視頻動(dòng)畫生成性能。
可以處理各種圖像輸入,同時(shí)遵循文本中對(duì)運(yùn)動(dòng)的描述生成視頻。例如,不同的人或動(dòng)物正在進(jìn)行的動(dòng)作,或者虛擬出文本所描寫的場(chǎng)景。
此外,用戶還可以通過(guò)簡(jiǎn)單調(diào)節(jié)運(yùn)動(dòng)強(qiáng)度的數(shù)值,自由定制視頻中運(yùn)動(dòng)的方式。
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請(qǐng)謹(jǐn)慎對(duì)待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。
近日,德國(guó)柏林國(guó)際電子消費(fèi)品展覽會(huì)(IFA2024)隆重舉辦。憑借在核心技術(shù)、產(chǎn)品設(shè)計(jì)及應(yīng)用方面的創(chuàng)新變革,全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)成功斬獲兩項(xiàng)“IFA全球產(chǎn)品設(shè)計(jì)創(chuàng)新大獎(jiǎng)”金獎(jiǎng),有力證明了其在全球市場(chǎng)的強(qiáng)大影響力。
近日,中國(guó)家電及消費(fèi)電子博覽會(huì)(AWE 2024)隆重開(kāi)幕。全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)攜多款創(chuàng)新技術(shù)和新品亮相,以敢為精神勇闖技術(shù)無(wú)人區(qū),斬獲四項(xiàng)AWE 2024艾普蘭大獎(jiǎng)。
“以前都要去窗口辦,一套流程下來(lái)都要半個(gè)月了,現(xiàn)在方便多了!”打開(kāi)“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
由世界人工智能大會(huì)組委會(huì)、上海市經(jīng)信委、徐匯區(qū)政府、臨港新片區(qū)管委會(huì)共同指導(dǎo),由上海市人工智能行業(yè)協(xié)會(huì)聯(lián)合上海人工智能實(shí)驗(yàn)室、上海臨港經(jīng)濟(jì)發(fā)展(集團(tuán))有限公司、開(kāi)放原子開(kāi)源基金會(huì)主辦的“2024全球開(kāi)發(fā)者先鋒大會(huì)”,將于2024年3月23日至24日舉辦。