相信很多人已經(jīng)領(lǐng)會過生成式 AI 技術(shù)的魅力，特別是在經(jīng)歷了 2022 年的 AIGC 爆發(fā)之后。以 Stable Diffusion 為代表的文本到圖像生成技術(shù)一度風(fēng)靡全球，無數(shù)用戶涌入，借助 AI 之筆表達自己的藝術(shù)想象……

相比于圖像編輯，視頻編輯是一個更具有挑戰(zhàn)性的議題，它需要合成新的動作，而不僅僅是修改視覺外觀，此外還需要保持時間上的一致性。

在這條賽道上探索的公司也不少。前段時間，谷歌發(fā)布的 Dreamix 以將文本條件視頻擴散模型（video diffusion model, VDM）應(yīng)用于視頻編輯。

近日，曾參與創(chuàng)建 Stable Diffusion 的 Runway 公司推出了一個新的人工智能模型「Gen-1」，該模型通過應(yīng)用文本 prompt 或參考圖像指定的任何風(fēng)格，可將現(xiàn)有視頻轉(zhuǎn)化為新視頻。

論文鏈接：https://arxiv.org/pdf/2302.03011.pdf

項目主頁：https://research.runwayml.com/gen1

2021 年，Runway 與慕尼黑大學(xué)的研究人員合作，建立了 Stable Diffusion 的第一個版本。隨后英國的一家初創(chuàng)公司 Stability AI 介入，資助了在更多數(shù)據(jù)上訓(xùn)練模型所需的計算費用。2022 年，Stability AI 將 Stable Diffusion 納入主流，將其從一個研究項目轉(zhuǎn)變?yōu)橐粋€全球現(xiàn)象。

Runway 表示，希望 Gen-1 能像 Stable Diffusion 在圖像上所做的那樣為視頻服務(wù)。

「我們已經(jīng)看到圖像生成模型的大爆炸，」Runway 首席執(zhí)行官兼聯(lián)合創(chuàng)始人 Cristóbal Valenzuela 說。「我真的相信，2023 年將是視頻之年。」

具體來說，Gen-1 支持幾種編輯模式：

1、風(fēng)格化。將任何圖像或 prompt 的風(fēng)格轉(zhuǎn)移到視頻的每一幀。

2、故事板。將模型變成完全風(fēng)格化和動畫的渲染。

3、遮罩。分離視頻中的主題并使用簡單的文本 prompt 對其進行修改。

4、渲染。通過應(yīng)用輸入圖像或 prompt，將無紋理渲染變成逼真的輸出。

5、定制化。通過自定義模型以獲得更高保真度的結(jié)果，釋放 Gen-1 的全部功能。

在該公司官方網(wǎng)站上發(fā)布的 demo 中，展示了 Gen-1 如何絲滑地更改視頻風(fēng)格，來看幾個示例。

比如將「街道上的人」變成「粘土木偶」，只需要一行 prompt：

或者將「堆放在桌上的書」變成「夜晚的城市景觀」：

從「雪地上的奔跑」到「月球漫步」：

年輕女孩，竟然秒變古代先哲：

論文細(xì)節(jié)

視覺特效和視頻編輯在當(dāng)代媒體領(lǐng)域無處不在。隨著以視頻為中心的平臺的普及，對更直觀、性能更強的視頻編輯工具的需求也在增加。然而，由于視頻數(shù)據(jù)的時間性，在這種格式下的編輯仍然是復(fù)雜和耗時的。最先進的機器學(xué)習(xí)模型在改善編輯過程方面顯示出了巨大的前景，但很多方法不得不在時間一致性和空間細(xì)節(jié)之間取得平衡。

由于引入了在大規(guī)模數(shù)據(jù)集上訓(xùn)練的擴散模型，用于圖像合成的生成方法最近在質(zhì)量和受歡迎程度上經(jīng)歷了一個快速增長階段。一些文本條件模型，如 DALL-E 2 和 Stable Diffusion，使新手只需輸入一個文本 prompt 就能生成詳細(xì)的圖像。潛在擴散模型提供了有效的方法，通過在感知壓縮的空間中進行合成來生成圖像。

在本論文中，研究者提出了一個可控的結(jié)構(gòu)和內(nèi)容感知的視頻擴散模型，該模型是在未加字幕的視頻和配對的文本 - 圖像數(shù)據(jù)的大規(guī)模數(shù)據(jù)集上訓(xùn)練的。研究者選擇用單目深度估計來表征結(jié)構(gòu)，用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)預(yù)測的嵌入來表征內(nèi)容。

該方法在其生成過程中提供了幾種強大的控制模式：首先，與圖像合成模型類似，研究者訓(xùn)練模型使推斷出的視頻內(nèi)容，如其外觀或風(fēng)格，與用戶提供的圖像或文本 prompt 相匹配（圖 1）。其次，受擴散過程的啟發(fā)，研究者對結(jié)構(gòu)表征應(yīng)用了一個信息掩蔽過程，以便能夠選擇模型對給定結(jié)構(gòu)的支持程度。最后，研究者通過一個自定義的指導(dǎo)方法來調(diào)整推理過程，該方法受到無分類指導(dǎo)的啟發(fā)，以實現(xiàn)對生成片段的時間一致性的控制。

總體來說，本研究的亮點如下：

• 通過在預(yù)訓(xùn)練圖像模型中引入時間層，并在圖像和視頻上進行聯(lián)合訓(xùn)練，將潛在擴散模型擴展到了視頻生成領(lǐng)域；
• 提出了一個結(jié)構(gòu)和內(nèi)容感知的模型，在樣本圖像或文本的指導(dǎo)下修改視頻。編輯工作完全是在推理時間內(nèi)進行的，不需要額外對每個視頻進行訓(xùn)練或預(yù)處理；
• 展示了對時間、內(nèi)容和結(jié)構(gòu)一致性的完全控制。該研究首次表明，對圖像和視頻數(shù)據(jù)的聯(lián)合訓(xùn)練能夠讓推理時間控制時間的一致性。對于結(jié)構(gòu)的一致性，在表征中不同的細(xì)節(jié)水平上進行訓(xùn)練，可以在推理過程中選擇所需的設(shè)置；
• 在一項用戶研究中，本文的方法比其他幾種方法更受歡迎；
• 通過對一小部分圖像進行微調(diào)，可以進一步定制訓(xùn)練過的模型，以生成更準(zhǔn)確的特定主體的視頻。

方法

就研究目的而言，從內(nèi)容和結(jié)構(gòu)的角度來考慮一個視頻將是有幫助的。對于結(jié)構(gòu)，此處指的是描述其幾何和動態(tài)的特征，比如主體的形狀和位置，以及它們的時間變化。對于內(nèi)容，此處將其定義為描述視頻的外觀和語義的特征，比如物體的顏色和風(fēng)格以及場景的照明。Gen-1 模型的目標(biāo)是編輯視頻的內(nèi)容，同時保留其結(jié)構(gòu)。

為了實現(xiàn)這一目標(biāo)，研究者學(xué)習(xí)了視頻 x 的生成模型 p (x|s, c)，其條件是結(jié)構(gòu)表征（用 s 表示）和內(nèi)容表征（用 c 表示）。他們從輸入視頻推斷出形狀表征 s，并根據(jù)描述編輯的文本 prompt c 對其進行修改。首先，描述了對生成模型的實現(xiàn)，作為一個條件潛在的視頻擴散模型，然后，描述了對形狀和內(nèi)容表征的選擇。最后，討論了模型的優(yōu)化過程。

模型結(jié)構(gòu)如圖 2 所示。

實驗

為了評估該方法，研究者采用了 DAVIS 的視頻和各種素材。為了自動創(chuàng)建編輯 prompt，研究者首先運行了一個字幕模型來獲得原始視頻內(nèi)容的描述，然后使用 GPT-3 來生成編輯 prompt。

定性研究

如圖 5 所示，結(jié)果證明，本文的方法在一些不同的輸入上表現(xiàn)良好。

用戶研究

研究者還使用 Amazon Mechanical Turk（AMT）對 35 個有代表性的視頻編輯 prompt 的評估集進行了用戶研究。對于每個樣本，均要求 5 個注解者在基線方法和本文方法之間對比對視頻編輯 prompt 的忠實度（「哪個視頻更好地代表了所提供的編輯過的字幕？」），然后以隨機順序呈現(xiàn)，并使用多數(shù)票來決定最終結(jié)果。

結(jié)果如圖 7 所示：

定量評估

圖 6 展示了每個模型使用本文框架一致性和 prompt 一致性指標(biāo)的結(jié)果。本文模型在這兩方面的表現(xiàn)都傾向于超越基線模型（即，在圖的右上角位置較高）。研究者還注意到，在基線模型中增加強度參數(shù)會有輕微的 tradeoff：更大的強度縮放意味著更高的 prompt 一致性，代價是更低的框架一致性。同時他們還觀察到，增加結(jié)構(gòu)縮放會導(dǎo)致更高的 prompt 一致性，因為內(nèi)容變得不再由輸入結(jié)構(gòu)決定。

定制化

圖 10 展示了一個具有不同數(shù)量的定制步驟和不同水平的結(jié)構(gòu)依附性 ts 的例子。研究者觀察到，定制化提高了對人物風(fēng)格和外觀的保真度，因此，盡管使用具有不同特征的人物的驅(qū)動視頻，但結(jié)合較高的 ts 值，還是可以實現(xiàn)精確的動畫效果。