在当今数字时代,视频和音频内容创作已成为电影产业和专业用户的核心技术。然而,现有的基于扩散模型的方法往往将视频和音频生成分开处理,这在一定程度上阻碍了学术界向产业界的技术转移。为了弥补这一鸿沟,来自香港科技大学和腾讯ARC实验室的研究团队提出了一种精心设计的基于优化的框架,用于跨视听和联合视听生成。这项研究成果以《Seeing and Hearing: Open-domain Visual-Audio Generation with Diffusion Latent Aligners》为题,将在CVPR 2024会议上发表。
研究团队观察到现有的视频或音频生成模型具有强大的生成能力。因此,他们提出了一种新颖的方法,不是从头开始训练庞大的模型,而是通过共享潜在表示空间来桥接现有的强大模型。具体来说,研究人员提出了一种基于预训练ImageBind模型的多模态潜在对齐器。
这个潜在对齐器的核心原理与分类器引导类似,在推理过程中引导扩散去噪过程。通过精心设计的优化策略和损失函数,该方法在以下任务中展现出卓越的性能:
Seeing and Hearing项目的核心思想是利用多模态绑定器(如预训练的ImageBind)建立起原本为单一模态设计的孤立生成模型之间的联系。这种创新性的连接使得研究团队能够实现双向条件生成和联合视频/音频生成。
具体来说,该方法包括以下几个关键组件:
为了促进学术交流和技术发展,研究团队在GitHub上开源了Seeing and Hearing项目的代码。感兴趣的研究者和开发者可以按照以下步骤进行安装和使用:
克隆项目仓库:
git clone https://github.com/yzxing87/Seeing-and-Hearing.git
cd Seeing-and-Hearing/v2a
创建并激活conda环境:
conda create -n seeing python=3.10
conda activate seeing
安装依赖:
pip install -r pip_env3.txt
pip install git+https://github.com/yzxing87/transformers
pip install "git+https://github.com/facebookresearch/pytorchvideo.git"
pip install transformers_stream_generator
下载必要的检查点文件,包括:
按照pipeline.sh
中的指示运行生成过程
Seeing and Hearing项目的创新性方法为开放域视听内容生成开辟了新的可能性。这项技术有望在以下领域产生重大影响:
对于希望深入了解Seeing and Hearing项目技术细节的研究者,可以参考以下资源:
Seeing and Hearing项目采用CC-BY-NC许可证,鼓励学术研究和非商业用途的使用。研究团队欢迎来自学术界和产业界的合作,共同推动视听生成技术的发展。如有任何问题或合作意向,可以联系项目的主要作者:
Seeing and Hearing项目为开放域视听生成领域带来了新的突破,但这仅仅是开始。未来,我们可以期待看到:
随着技术的不断进步,我们相信Seeing and Hearing项目将为数字创意产业注入新的活力,为用户带来前所未有的视听体验。让我们共同期待这项创新技术的未来发展,见证它如何重塑我们与数字内容交互的方式。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种 生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号