Seeing-and-Hearing

Seeing-and-Hearing

创新框架实现多任务视听内容生成

Seeing-and-Hearing项目提出了一种优化框架,用于跨模态和联合视听内容生成。该方法使用预训练的ImageBind模型连接独立的视频和音频生成模型,实现双向条件生成和联合视听生成。这一技术适用于视频到音频、音频到视频、图像到音频等多种任务,为内容创作提供了新的可能。

视频音频生成多模态生成扩散模型ImageBind跨模态生成Github开源项目

视听一体

本仓库包含了"视听一体化:基于扩散潜在对齐器的开放域视听生成(CVPR 2024)"的官方代码。

🔮 方法

框架概览。 我们的方法versatile,可以解决四个任务:联合视频音频生成(Joint-VA)、视频到音频(V2A)、音频到视频(A2V)和图像到音频(I2A)。通过利用多模态绑定器(如预训练的ImageBind),我们在设计用于生成单一模态的独立生成模型之间建立了连接。这使我们能够实现双向条件生成和联合视频/音频生成。

🔆 摘要

视频和音频内容创作是电影行业和专业用户的核心技术。近期,现有的基于扩散的方法分别处理视频和音频生成,这阻碍了该技术从学术界向产业界的转化。在本研究中,我们旨在填补这一空白,通过精心设计的基于优化的框架实现跨视听和联合视听生成。我们观察到现成的视频或音频生成模型具有强大的生成能力。因此,我们不是从头开始训练庞大的模型,而是提出通过共享的潜在表示空间来连接现有的强大模型。

具体而言,我们提出了一个基于预训练ImageBind模型的多模态潜在对齐器。我们的潜在对齐器与在推理时指导扩散去噪过程的分类器引导有相似的核心。通过精心设计的优化策略和损失函数,我们展示了我们的方法在联合视频音频生成、视觉引导的音频生成和音频引导的视觉生成任务上的卓越性能。项目网站可在https://yzxing87.github.io/Seeing-and-Hearing/找到。

视听一体化:基于扩散潜在对齐器的开放域视听生成 <br> 邢亚洲<sup>* 1</sup>,何颖晴<sup>* 1</sup>,田泽越<sup>* 1</sup>,王鑫涛<sup>2</sup>,陈启峰<sup>1</sup> (*表示贡献相同)<br> <sup>1</sup>香港科技大学, <sup>2</sup>腾讯PCG ARC实验室 <br>

[论文] [项目主页]

待办事项

  • 开源v2a代码
  • 开源评估代码
  • 开源joint-va、a2v和i2v代码

⚙️ 代码

安装

请按以下说明操作:

git clone https://github.com/yzxing87/Seeing-and-Hearing.git
cd Seeing-and-Hearing/v2a
conda create -n seeing python=3.10
conda activate seeing
pip install -r pip_env3.txt

pip install git+https://github.com/yzxing87/transformers

pip install "git+https://github.com/facebookresearch/pytorchvideo.git"

pip install transformers_stream_generator

V2A生成

  1. 下载必要的检查点

    (1) 从huggingface仓库下载audioldm检查点。将检查点放到ckpt/

    mkdir ckpt; cd ckpt
    git clone https://huggingface.co/cvssp/audioldm-m-full
    cd ..
    

    (2) 从官方仓库下载imagebind检查点imagebind_huge.pth。将检查点放到imagebind/.checkpoints/

    mkdir imagebind/.checkpoints; cd imagebind/.checkpoints
    wget https://dl.fbaipublicfiles.com/imagebind/imagebind_huge.pth
    cd ../..
    

    (3) 从huggingface仓库下载qwen检查点。将检查点放到qwen_ckpt/

    mkdir qwen_ckpt; cd qwen_ckpt
    git clone https://huggingface.co/Qwen/Qwen-VL-Chat
    cd ..
    
  2. 按照pipeline.sh操作

🤗 引用

@inproceedings{xing24seeing,
  title     = {Seeing and Hearing: Open-domain Visual-Audio Generation with Diffusion Latent Aligners},
  author    = {Xing, Yazhou and He, Yingqing and Tian, Zeyue and Wang, Xintao and Chen, Qifeng},
  booktitle = {CVPR},
  year      = {2024}
}

📭 联系

如果您有任何评论或问题,请随时联系邢亚洲何颖晴田泽越

许可证

请遵循CC-BY-NC

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