CVPR23_LFDM

CVPR23_LFDM

潜在流扩散模型实现条件图像到视频生成

CVPR23_LFDM项目提出了一种基于潜在流扩散模型的条件图像到视频生成方法。该方法在MUG、MHAD和NATOPS数据集上展示了生成流畅自然的人脸表情和人体动作视频的能力。项目开源了预训练模型、演示代码和详细的模型训练流程,为计算机视觉研究提供了有价值的资源。

LFDM图像到视频生成条件生成潜在流扩散模型深度学习Github开源项目

!!! 查看我们的CVPR 2024新论文和代码,专为文本条件的图像到视频生成而设计

LFDM

我们CVPR 2023论文《使用潜在流扩散模型的条件图像到视频生成》的PyTorch实现。

<div align=center><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/cfc1a7c3-8306-454d-ae29-c3f2b24853dd.png" width="915px" height="306px"/></div>

更新

[2023年8月7日更新] 为MHAD数据集添加了多GPU训练代码。

[2023年5月12日更新] 发布了NATOPS数据集的测试演示。

[2023年3月31日更新] 添加了在NATOPS数据集上训练LFDM的说明。

[2023年3月27日更新] 添加了在MHAD数据集上训练LFDM的说明。

[2023年3月27日更新] 发布了MHAD数据集的测试演示。

[2023年3月26日更新] 添加了在MUG数据集上训练LFDM的说明。

[2023年3月26日更新] 我们的论文现已在arXiv上发布。

[2023年3月20日更新] 发布了MUG数据集的测试演示。

示例视频

以下视频中的所有主体在训练过程中均未出现。

MUG数据集上的一些生成视频结果。

<div align=center> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/365beb52-df78-4e10-b705-b98eed2c39c0.gif" width="500" height="276"/> </div>

MHAD数据集上的一些生成视频结果。

<div align=center> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/b28b19ac-3747-4e01-80a8-0a7613205a63.gif" width="500" height="530"/> </div> <div align=center> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/82fc11c1-4560-45a3-aed7-c8fe63188f52.gif" width="500" height="416"/> </div>

NATOPS数据集上的一些生成视频结果。

<div align=center> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/88fe9a2a-bf52-4163-8e27-338ff63cccff.gif" width="500" height="525"/> </div>

将在MUG上训练的LFDM应用于FaceForensics数据集。

<div align=center> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/ca3dd85a-bedf-40b8-906e-c33f82b257c0.gif" width="400" height="523"/> </div>

预训练模型

数据集模型帧采样链接 (Google Drive)
MUGLFAE-https://drive.google.com/file/d/1dRn1wl5TUaZJiiDpIQADt1JJ0_q36MVG/view?usp=share_link
MUGDMvery_randomhttps://drive.google.com/file/d/1lPVIT_cXXeOVogKLhD9fAT4k1Brd_HHn/view?usp=share_link
MHADLFAE-https://drive.google.com/file/d/1AVtpKbzqsXdIK-_vHUuQQIGx6Wa5PxS0/view?usp=share_link
MHADDMrandomhttps://drive.google.com/file/d/1BoFPQAeOuHE5wt7h-chhYAO-dU0B1p2y/view?usp=share_link
NATOPSLFAE-https://drive.google.com/file/d/10iyzoYqSwzQ3fZgb6oh3Uay-P7k2A12s/view?usp=share_link
NATOPSDMrandomhttps://drive.google.com/file/d/1lSLSzS_KyGvJ7dW3l5hLJLR9k2k8LoU3/view?usp=share_link

演示

MUG数据集

  1. 安装所需依赖。我们这里使用Python 3.7.10和Pytorch 1.12.1等。
  2. 运行python -u demo/demo_mug.py生成示例视频。如有需要,请在代码文件和配置文件config/mug128.yaml中设置路径。MUG数据集的预训练模型已发布。

MHAD数据集

  1. 安装所需依赖。我们这里使用Python 3.7.10和Pytorch 1.12.1等。
  2. 运行python -u demo/demo_mhad.py生成示例视频。如有需要,请在代码文件和配置文件config/mhad128.yaml中设置路径。MHAD数据集的预训练模型已发布。

NATOPS数据集

  1. 安装所需依赖。我们这里使用Python 3.7.10和Pytorch 1.12.1等。
  2. 运行python -u demo/demo_natops.py生成示例视频。如有需要,请在代码文件和配置文件config/natops128.yaml中设置路径。NATOPS数据集的预训练模型已发布。

训练LFDM

我们的LFDM训练包括两个阶段:1. 以无监督方式训练潜在流自编码器(LFAE)。为加速训练,我们使用MRAA提供的预训练模型初始化LFAE,这些模型可以在他们的github上找到;2. 在LFAE的潜在空间上训练扩散模型(DM)。

MUG数据集

  1. 从MUG数据集的网站下载数据集。
  2. 安装所需的依赖项。这里我们使用Python 3.7.10和Pytorch 1.12.1等。
  3. 划分训练/测试集。您可以使用与我们相同的划分方法,可在preprocessing/preprocess_MUG.py中找到。
  4. 运行python -u LFAE/run_mug.py来训练LFAE。如有需要,请设置路径和配置文件config/mug128.yaml
  5. LFAE训练完成后,可以通过运行python -u LFAE/test_flowautoenc_mug.py来测量其自重建性能。
  6. 运行python -u DM/train_video_flow_diffusion_mug.py来训练DM。如有需要,请设置路径和配置文件config/mug128.yaml
  7. DM训练完成后,可以通过运行python -u DM/test_video_flow_diffusion_mug.py来测试其生成性能。

MHAD数据集

  1. 从MHAD数据集的网站下载数据集。
  2. 安装所需的依赖项。这里我们使用Python 3.7.10和Pytorch 1.12.1等。
  3. 裁剪视频帧并划分训练/测试集。您可以使用与我们相同的裁剪方法和划分,可在preprocessing/preprocess_MHAD.py中找到。
  4. 运行python -u LFAE/run_mhad.py来训练LFAE。如有需要,请设置路径和配置文件config/mhad128.yaml
  5. LFAE训练完成后,可以通过运行python -u LFAE/test_flowautoenc_mhad.py来测量其自重建性能。
  6. 运行python -u DM/train_video_flow_diffusion_mhad.py来训练DM。如有需要,请设置路径和配置文件config/mhad128.yaml
  7. DM训练完成后,可以通过运行python -u DM/test_video_flow_diffusion_mhad.py来测试其生成性能。

NATOPS数据集

  1. 从NATOPS数据集的网站下载数据集。
  2. 安装所需的依赖项。这里我们使用Python 3.7.10和Pytorch 1.12.1等。
  3. 分割视频并划分训练/测试集。您可以使用与我们相同的分割方法和划分,可在preprocessing/preprocess_NATOPS.py中找到。
  4. 运行python -u LFAE/run_natops.py来训练LFAE。如有需要,请设置路径和配置文件config/natops128.yaml
  5. LFAE训练完成后,可以通过运行python -u LFAE/test_flowautoenc_natops.py来测量其自重建性能。
  6. 运行python -u DM/train_video_flow_diffusion_natops.py来训练DM。如有需要,请设置路径和配置文件config/natops128.yaml
  7. DM训练完成后,可以通过运行python -u DM/test_video_flow_diffusion_natops.py来测试其生成性能。

引用LFDM

如果您在研究中发现我们的方法有用,请考虑引用:

@inproceedings{ni2023conditional,
  title={Conditional Image-to-Video Generation with Latent Flow Diffusion Models},
  author={Ni, Haomiao and Shi, Changhao and Li, Kai and Huang, Sharon X and Min, Martin Renqiang},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={18444--18455},
  year={2023}
}

如对代码有任何疑问,欢迎提出问题或联系我:homerhm.ni@gmail.com

致谢

我们的部分代码借鉴自MRAAVDMLDM。我们感谢这些代码库作者提供的宝贵实现。

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