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

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。

HunyuanVideo

HunyuanVideo

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。

WebUI for Browser Use

WebUI for Browser Use

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。

xiaozhi-esp32

xiaozhi-esp32

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。

olmocr

olmocr

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

飞书多维表格

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。

下拉加载更多