StoryDiffusion

StoryDiffusion

实现长序列图像和视频的一致性生成

StoryDiffusion是一个专注于长序列图像和视频生成的AI项目。该项目采用一致性自注意力机制,实现角色连贯的图像生成,并通过运动预测器在压缩图像语义空间中预测条件图像间的运动。StoryDiffusion不仅能生成连贯的漫画,还可创作长时间、高质量的视频,为故事创作和视觉内容生成提供了新的技术方案。

StoryDiffusionAI生成长序列图像生成长视频生成一致性自注意力Github开源项目
<p align="center"> <img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/f79da6b7-0b3b-4dd7-8dd0-ba0b15306fe6" height=100> </p> <div align="center">

StoryDiffusion: 用于长程图像和视频生成的一致性自注意力 论文页面

[论文]   [项目页面]   [计图版本]  [🤗 漫画生成演示] Replicate 在Colab中运行漫画演示 <br>

</div>

**StoryDiffusion: 用于长程图像和视频生成的一致性自注意力**的官方实现。

演示视频

https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/d5b80f8f-09b0-48cd-8b10-daff46d422af

更新历史

您可以访问此处查看更新历史。

🌠 主要特点:

StoryDiffusion可以通过生成一致的图像和视频来创造一个神奇的故事。我们的工作主要包括两个部分:

  1. 用于长程序列中角色一致性图像生成的一致性自注意力。它可以热插拔,并与所有基于SD1.5和SDXL的图像扩散模型兼容。对于当前的实现,用户需要为一致性自注意力模块提供至少3个文本提示。我们建议至少提供5-6个文本提示以获得更好的布局安排。
  2. 用于长程视频生成的运动预测器,它在压缩的图像语义空间中预测条件图像之间的运动,实现更大的运动预测。

🔥 示例

漫画生成

1

图像到视频生成(结果为高度压缩以提高速度)

利用我们的一致性自注意力机制生成的图像,我们可以通过在这些图像之间平滑过渡来扩展过程以创建视频。这可以被视为一种两阶段长视频生成方法。

注意:结果为高度压缩以提高速度,您可以访问我们的网站获取高质量版本。

两阶段长视频生成(最新更新)

结合这两个部分,我们可以生成非常长且高质量的AIGC视频。

视频1视频2视频3
<img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/4e7e0f24-5f90-419b-9a1e-cdf36d361b26" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/f509343d-d691-4e2a-b615-7d96381ef7c1" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/4f0f7abb-4ae4-47a6-b692-5bdd8d9c8006" width=224>

使用条件图像的长视频结果

我们的图像到视频模型可以通过提供一系列用户输入的条件图像来生成视频。

视频1视频2视频3
<img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/af6f5c50-c773-4ef2-a757-6d7a46393f39" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/d58e4037-d8df-4f90-8c81-ce4b6d2d868e" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/40da15ba-f5c1-48d8-84d6-8d327207d696" width=224>
视频4视频5视频6
---------
<img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/8f04c9fc-3031-49e3-9de8-83d582b80a1f" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/604107fb-8afe-4052-bda4-362c646a756e" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/b05fa6a0-12e6-4111-abf8-18b8cd84f3ff" width=224>

短视频

视频1视频2视频3
<img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/5e7f717f-daad-46f6-b3ba-c087bd843158" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/79aa52b2-bf37-4c9c-8555-c7050aec0cdf" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/9fdfd091-10e6-434e-9ce7-6d6e6d8f4b22" width=224>
视频4视频5视频6
<img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/0b219b60-a998-4820-9657-6abe1747cb6b" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/d387aef0-ffc8-41b0-914f-4b0392d9f8c5" width=224><img src="https://github.com/HVision-NKU/StoryDiffusion/assets/49511209/3c64958a-1079-4ca0-a9cf-e0486adbc57f" width=224>

🚩 待办事项/更新

  • StoryDiffusion的漫画结果。
  • StoryDiffusion的视频结果。
  • 漫画生成的源代码。
  • gradio演示的源代码。
  • 视频生成模型的源代码。
  • 视频生成模型的预训练权重。

🔧 依赖和安装

conda create --name storydiffusion python=3.10 conda activate storydiffusion pip install -U pip # 安装依赖 pip install -r requirements.txt

使用方法

目前,我们提供两种生成漫画的方式。

使用Jupyter笔记本

你可以打开Comic_Generation.ipynb并运行代码。

启动本地gradio演示

运行以下命令:

**(推荐)**我们提供了一个低GPU内存消耗版本,它在一台具有24GB GPU内存(Tesla A10)和30GB RAM的机器上进行了测试,预计在>20GB GPU内存的环境中可以正常运行。

python gradio_app_sdxl_specific_id_low_vram.py

联系方式

如果你有任何问题,欢迎发送电子邮件至ypzhousdu@gmail.comzhoudaquan21@gmail.com

免责声明

本项目致力于积极影响AI驱动的图像和视频生成领域。用户可以自由使用此工具创建图像和视频,但需遵守当地法律并负责任地使用。开发者对用户可能的滥用行为不承担任何责任。

相关资源

以下是StoryDiffusion的一些第三方实现。

API

BibTeX

如果你发现StoryDiffusion对你的研究和应用有用,请使用以下BibTeX进行引用:

@article{zhou2024storydiffusion, title={StoryDiffusion: Consistent Self-Attention for Long-Range Image and Video Generation}, author={Zhou, Yupeng and Zhou, Daquan and Cheng, Ming-Ming and Feng, Jiashi and Hou, Qibin}, journal={arXiv preprint arXiv:2405.01434}, year={2024} }

编辑推荐精选

openai-agents-python

openai-agents-python

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。

Hunyuan3D-2

Hunyuan3D-2

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。

3FS

3FS

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。

TRELLIS

TRELLIS

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。

ai-agents-for-beginners

ai-agents-for-beginners

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。

AEE

AEE

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。

UI-TARS-desktop

UI-TARS-desktop

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。

Wan2.1

Wan2.1

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。

爱图表

爱图表

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。

Qwen2.5-VL

Qwen2.5-VL

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。

下拉加载更多