AIGC 已經(jīng)火了很長時間了，出現(xiàn)了文本生成圖像、文本生成視頻、圖像生成視頻等廣泛的應用場景，如今谷歌研究院的一項新研究可以讓我們根據(jù)輸入視頻生成其他視頻了！

我們知道，生成模型和多模態(tài)視覺語言模型的進展已經(jīng)為具備前所未有生成真實性和多樣性的大型文本到圖像模型鋪平了道路。這些模型提供了新的創(chuàng)作過程，但僅限于合成新圖像而非編輯現(xiàn)有圖像。為了彌合這一差距，基于文本的直觀編輯方法可以對生成和真實圖像進行基于文本的編輯，并保留這些圖像的一些原始屬性。與圖像類似，近來文本到視頻模型也提出了很多，但使用這些模型進行視頻編輯的方法卻很少。 在文本指導的視頻編輯中，用戶提供輸入視頻以及描述生成視頻預期屬性的文本 prompt，如下圖 1 所示。目標有以下三個方面，1）對齊，編輯后的視頻應符合輸入文本 prompt；2）保真度，編輯后的視頻應保留原始視頻的內(nèi)容，3）質(zhì)量，編輯后的視頻應具備高質(zhì)量。 可以看到，視頻編輯比圖像編輯更加具有挑戰(zhàn)性，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。因此，將 SDEdit、Prompt-to-Prompt 等圖像級別的編輯方法應用于視頻幀上不足以實現(xiàn)很好的效果。

在近日谷歌研究院等發(fā)表在 arXiv 的一篇論文中，研究者提出了一種新方法 Dreamix，它受到了 UniTune 的啟發(fā)，將文本條件視頻擴散模型（video diffusion model, VDM）應用于視頻編輯。

Dreamix: Video Diffusion Models are General Video Editors

論文地址：https://arxiv.org/abs/2302.01329

項目主頁：https://dreamix-video-editing.github.io/

文中方法的核心是通過以下兩種主要思路使文本條件 VDM 保持對輸入視頻的高保真度。其一不使用純噪聲作為模型初始化，而是使用原始視頻的降級版本，通過縮小尺寸和添加噪聲僅保留低時空信息；其二通過微調(diào)原始視頻上的生成模型來進一步提升對原始視頻的保真度。 微調(diào)確保模型了解原始視頻的高分辨率屬性。對輸入視頻的簡單微調(diào)會促成相對較低的運動可編輯性，這是因為模型學會了更傾向于原始運動而不是遵循文本 prompt。研究者提出了一種新穎的混合微調(diào)方法，其中 VDM 也在輸入視頻各個幀的集合上進行微調(diào)，并丟棄了它們的時序?；旌衔⒄{(diào)顯著提升了運動編輯的質(zhì)量。 研究者進一步利用其視頻編輯模型提出了一個新的圖像動畫框架，如下圖 2 所示。該框架包含了幾個步驟，比如為圖像中的對象和背景設置動畫、創(chuàng)建動態(tài)相機運動等。他們通過幀復制或幾何圖像變換等簡單的圖像處理操作來實現(xiàn)，從而創(chuàng)建粗糙的視頻。接著使用 Dreamix 視頻編輯器對視頻進行編輯。此外研究者還使用其微調(diào)方法進行目標驅(qū)動的視頻生成，也即 Dreambooth 的視頻版本。

在實驗展示部分，研究者進行了廣泛的定性研究和人工評估，展示了他們方法的強大能力，具體可參考如下動圖。

?

對于谷歌這項研究，有人表示，3D + 運動和編輯工具可能是下一波論文的熱門主題。

還有人表示：大家可以很快在預算內(nèi)制作自己的的電影了，你所需要的只是一個綠幕以及這項技術：

方法概覽 本文提出了一種新的方法用于視頻編輯，具體而言： 通過逆向被破壞視頻進行文本引導視頻編輯 他們采用級聯(lián) VDM（ Video Diffusion Models ），首先通過下采樣對輸入視頻就行一定的破壞，后加入噪聲。接下來是級聯(lián)擴散模型用于采樣過程，并以時間 t 為條件，將視頻升級到最終的時間 - 空間分辨率。 在對輸入視頻進行破壞處理的這一過程中，首先需要進行下采樣操作，以得到基礎模型（16 幀 24 × 40），然后加入方差為高斯噪聲，從而進一步破壞輸入視頻。 ? 對于上述處理好的視頻，接下來的操作是使用級聯(lián) VDM 將損壞掉的低分辨率視頻映射到與文本對齊的高分辨率視頻。這里的核心思想是，給定一個嘈雜的、時間空間分辨率非常低的視頻，有許多完全可行的、高分辨率的視頻與之對應。本文中基礎模型從損壞的視頻開始，它與時間 s 的擴散過程具有相同的噪聲。然后該研究用 VDM 來逆向擴散過程直到時間 0。最后通過超分辨率模型對視頻進行升級。 ?混合視頻圖像微調(diào)? 僅利用輸入視頻進行視頻擴散模型的微調(diào)會限制物體運動變化，相反，該研究使用了一種混合目標，即除了原始目標（左下角）之外，本文還對無序的幀集進行了微調(diào)，這是通過「masked temporal attention」來完成的，以防止時間注意力和卷積被微調(diào)（右下）。這種操作允許向靜態(tài)視頻中添加運動。 ?

推理 在應用程序預處理的基礎上（Aapplication Dependent Pre-processing，下圖左），該研究支持多種應用，能將輸入內(nèi)容轉換為統(tǒng)一的視頻格式。對于圖像到視頻，輸入圖像被復制并被變換，合成帶有一些相機運動的粗略視頻；對于目標驅(qū)動視頻生成，其輸入被省略，單獨進行微調(diào)以維持保真度。然后使用 Dreamix Video Editor（右）編輯這個粗糙的視頻：即前面講到的，首先通過下采樣破壞視頻，添加噪聲。然后應用微調(diào)的文本引導視頻擴散模型，將視頻升級到最終的時間空間分辨率。

實驗結果 視頻編輯：下圖中 Dreamix 將動作改為舞蹈，并且外觀由猴子變?yōu)樾埽曨l中主體的基本屬性沒有變：

Dreamix 還可以生成與輸入視頻時間信息一致的平滑視覺修改，如下圖會滑滑板的小鹿：

圖像到視頻：當輸入是一張圖像時，Dreamix 可以使用其視頻先驗添加新的移動對象，如下圖中添加了在有霧的森林中出現(xiàn)一頭獨角獸，并放大。

小屋旁邊出現(xiàn)企鵝：

目標驅(qū)動視頻生成：Dreamix 還可以獲取顯示相同主題的圖像集合，并以該主題為運動對象生成新的視頻。如下圖是一條在葉子上蠕動的毛毛蟲：

除了定性分析外，該研究還進行了基線比較，主要是將 Dreamix 與 Imagen-Video、 Plug-and-Play (PnP) 兩種基線方法進行對比。下表為評分結果：

圖 8 展示了由 Dreamix 編輯的視頻和兩個基線示例：文本到視頻模型實現(xiàn)了低保真度的編輯，因為它不以原始視頻為條件。PnP 保留了場景，但不同幀之間缺乏一致性；Dreamix 在這三個目標上都表現(xiàn)良好。

審核編輯 ：李倩