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。
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>
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>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:
conda create -n videocrafter python=3.8.5 conda activate videocrafter pip install -r requirements.txt
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。
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。
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!
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>@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}
}
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。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架 构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
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