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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多