VideoTetris

VideoTetris

创新视频生成技术 实现复杂语义精确组合

VideoTetris是一个视频生成框架,采用时空组合扩散技术实现复杂文本语义的精确表达。通过操控去噪网络的注意力图,在空间和时间维度上控制视频生成。项目提出了视频数据预处理方法,提升了训练数据的动态性和提示理解能力。VideoTetris可生成10秒至2分钟或更长的视频,为复杂场景视频生成提供了新方案。

VideoTetris文本到视频生成组合式生成时空组合扩散长视频生成Github开源项目

VideoTetris: 迈向可组合的文本到视频生成

<div align="left"> <a href='https://arxiv.org/abs/2406.04277'><img src='https://yellow-cdn.veclightyear.com/0a4dffa0/79c609cc-323e-44df-a43f-a3c6f6cae72a.svg'></a> &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <a href='https://videotetris.github.io'><img src='https://img.shields.io/badge/Project-Page-Green'></a> &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;

本仓库包含了我们的VideoTetris的官方实现。

VideoTetris: 迈向可组合的文本到视频生成
田野杨玲*杨浩天高远邓宇凡陈婧敏王鑫涛于兆晨陶鑫万鹏飞张迪崔斌
(* 共同第一作者和通讯作者) <br>北京大学、快手科技<br>

最新动态

  • VideoTetris论文发布
  • 发布VideoTetris用于可组合文本到视频生成的推理代码
  • 基于我们过滤后的数据集,发布用于长视频生成的微调StreamingT2V模型
  • 发布我们的LLM时空规划代码
  • 发布长视频可组合生成的训练/推理代码
  • 发布长视频可组合生成的模型检查点

简介

VideoTetris是一个新颖的框架,能够实现可组合的文本到视频生成。具体而言,我们提出了时空可组合扩散,通过在空间和时间上操纵和组合去噪网络的注意力图,精确地遵循复杂的文本语义。此外,我们提出了一种增强的视频数据预处理方法,以提高训练数据在运动动态和提示理解方面的质量,并配备了一种新的参考帧注意力机制,以改善自回归视频生成的一致性。我们的演示包括成功生成从10秒、30秒到2分钟的视频,并可以延长至更长的时间。

<table class="center"> <tr> <td width=100% style="border: none"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/f289608c-a137-407a-b9eb-db0c25a09004.png" style="width:100%"></td> </tr> <tr> <td width="100%" style="border: none; text-align: center; word-wrap: break-word"> </td> </tr> <tr> <td width=100% style="border: none"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/960c6e02-2af1-46c4-ba23-6618192c22de.png" style="width:100%"></td> </tr> <tr> <td width="100%" style="border: none; text-align: center; word-wrap: break-word"> </td> </tr> </table>

训练和推理

可组合文本到视频生成

我们提供了基于VideoCrafter2的VideoTetris可组合视频生成推理代码。您可以从Hugging Face下载预训练模型,并将其放在checkpoints/base_512_v2/model.ckpt。然后运行以下命令:

1. 通过Anaconda安装环境(推荐)

conda create -n videocrafter python=3.8.5 conda activate videocrafter pip install -r requirements.txt

2. 区域规划

您可以在类似prompts/demo_videotetris.json的json文件中为不同的子对象规划区域。区域由边界框的左上角和右下角坐标定义。您可以参考prompts/demo_videotetris.json作为示例。最终的规划json应如下所示:

{ { "basic_prompt": "左边有一只猫,右边有一只狗,它们正在阳光下打盹。", "sub_objects":[ "一只可爱的橘猫。", "一只可爱的狗。" ], "layout_boxes":[ [0, 0, 0.5, 1], [0.5, 0, 1, 1] ] }, }

在这个例子中,我们首先定义了基本提示,然后指定了子对象及其对应的区域,最终生成一个左边有猫右边有狗的视频。

3. VideoTetris推理

sh scripts/run_text2video_from_layout.sh

您可以在run_text2video_from_layout.sh脚本中指定输入的json文件。

具有高动态性和一致性的长视频生成

我们发布了一个使用我们过滤后的数据集微调的高质量StreamingT2V版本,用于长视频生成。您可以从Hugging Face-VideoTetris-long下载权重。不再存在颜色退化问题,运动动态性也得到了极大改善! 要生成更好的长视频,您可以首先按照其 GitHub 仓库中的步骤设置原始 StreamingT2V 环境。然后直接用下载的检查点替换 StreamingT2V 代码库中的 'streamingt2v.ckpt'。之后使用原始 StreamingT2V 代码库进行任何长视频生成任务的推理。

我们仍在努力在 VideoTetris 框架中训练更好的长篇组合视频生成模型,一旦准备就绪,我们将发布训练/推理代码。敬请期待!

示例结果

我们在此仅提供一些示例结果,更详细的结果可以在项目页面中找到。

<table class="center"> <tr> <td width=25% style="border: none"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/14426b65-3e58-4f14-894b-219d65f8dfb2.gif" style="width:100%"></td> <td width=25% style="border: none"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/5e6d0d26-85fe-40a0-9310-94f45f519563.gif" style="width:100%"></td> <tr> <td width="25%" style="border: none; text-align: center; word-wrap: break-word">左边是一只可爱的棕色狗,右边是一只睡眼惺忪的猫,它们正在阳光下小憩。<br> @16 帧</td> <td width="25%" style="border: none; text-align: center; word-wrap: break-word">一位快乐的农夫和一位勤劳的铁匠正在建造一座谷仓。<br> @16 帧</td> </tr> </table> <table class="center"> <tr> <td width=35% style="border: none"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/11c58bb3-120f-4145-adba-8e3f6a65a7ea.gif" style="width:130%"></td> <td width=35% style="border: none"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/a468ded3-3baa-4673-9874-e61bcc36aac9.gif" style="width:130%"></td> <tr> <td width="35%" style="border: none; text-align: center; word-wrap: break-word">一只可爱的棕色松鼠,在一堆榛子上,电影般的场景。<br> ------> 过渡到 <br> 两只可爱的棕色松鼠,在一堆榛子上,电影般的场景。<br> ------> 过渡到 <br> 三只可爱的棕色松鼠,在一堆榛子上,电影般的场景。<br> ------> 过渡到 <br> 四只可爱的棕色松鼠,在一堆榛子上,电影般的场景。<br> @80 帧</td> <td width="35%" style="border: none; text-align: center; word-wrap: break-word">一只可爱的棕色松鼠,在一堆榛子上,电影般的场景。<br> ------> 过渡到 <br> 一只可爱的棕色松鼠和一只可爱的白色松鼠,在一堆榛子上,电影般的场景。<br> @240 帧</td> </tr> </table>

引用

@article{tian2024videotetris,
  title={VideoTetris: Towards Compositional Text-to-Video Generation},
  author={Tian, Ye and Yang, Ling and Yang, Haotian and Gao, Yuan and Deng, Yufan and Chen, Jingmin and Wang, Xintao and Yu, Zhaochen and Tao, Xin and Wan, Pengfei and Zhang, Di and Cui, Bin},
  journal={arXiv preprint arXiv:2406.04277},
  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