PixelDance：字节视频生成新算法，复杂动作与炫酷特效

最新推荐文章于 2024-04-06 23:16:09 发布

机器学习与AI生成创作

最新推荐文章于 2024-04-06 23:16:09 发布

阅读量500

点赞数

原文链接：https://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247501183&idx=2&sn=501e7b6f87caae5c113a3d59dd17eed0&chksm=ff5a1939a6818164a4a79b984092e65e4e9405594577cc357cab2a147bd3716594af7e7387d3&scene=126&sessionid=0

版权

本文来源机器之心编辑部

最近，除了大语言模型继续持续刷屏，视频生成技术也取得了重大进展，多家公司相继发布了新模型。

首先，作为最早探索视频生成领域的领头羊之一，Runway 升级了其 Gen-2 模型，带来了电影级别的高清晰度，令人瞩目，并称视频生成的一致性得到了重大改进。

但是，这种一致性的提升似乎是以牺牲视频动态性为代价的。从 Gen-2 的官方宣传视频中可以看出，尽管集合了多个短片段，但每个片段的动态性相对较弱，难以捕捉到人物、动物或物体的清晰动作和运动。

近期，Meta 也发布了视频生成模型 Emu Video。从 Emu Video 的官方示例中可以看出，其视频的动态性比 Gen-2 有明显提高，但仍然局限于较为简单的动作。

开发出了经典的文生图模型 Stable Diffusion 的公司 Stability.ai，也于近日发布了开源视频生成模型 Stable Video Diffusion (SVD)，引发了开源社区的大量关注和讨论。SVD 效果能和 Gen-2 相当，通过测试样例能看出 SVD 生成的视频也相对缺少动态性。

SVD 论文里面提到了目前 SVD 生成的视频存在动态性不足的情况。

上述示例表明，生成有高度一致性且有丰富动态性的视频，让视频内容真正地动起来，是目前视频生成领域中的最大挑战。

在这方面，最新的研究成果 PixelDance 迈出了关键性的一步，其生成结果的动态性显著优于目前现有的其它模型，引起了业界的关注。

Twitter知名AI博主@_akhaliq转发的PixelDance新闻已有近8万浏览量。

在官网（https://makepixelsdance.github.io）中，PixelDance 给出了两种不同的视频生成模式。

第一种是基础模式（Basic Mode），用户只需要提供一张指导图片+文本描述，PixelDance 就可以生成有高度一致性且有丰富动态性的视频，其中指导图片可以是真实图片，也可以利用现有的文生图模型生成。

从展示的结果来看，真实风格、动画风格、二次元风格、魔幻风格，PixelDance 通通都可以解决，人物动作、脸部表情、相机视角控制、特效动作，Pixeldance 也都可以很好的完成。只能说一句 tql！

第二种是高级魔法模式（Magic Mode），给了用户更多发挥想象力和创造力的空间。在这种模式下，用户需要提供两张指导图片+文本描述，可以更好地生成更有难度的视频内容。网站中展示了用魔法模式做出的各种炫酷特效镜头。

除此之外，官网还展示了完全使用 PixelDance 制作的 3 分钟故事短片：

非常震撼的一点是，使用 PixelDance 能按照用户预想的一个故事，制作每一个场景和对应的动作。不管是真实场景（如埃及、长城等），还是虚幻场景（如外星球），PixelDance 都能生成细节丰富、动作丰富的视频，甚至各种特效镜头也不在话下。

并且，主人公北极熊先生的黑色礼帽和红色领结形象，在不同的场景中都得到了很好的保持。长视频生成再也不是简单的拼凑弱相关的短视频片段了！

而达到这样拔群的视频生成效果，并没有依赖复杂的数据集和大规模的模型训练，PixelDance 在公开的 WebVid-10M 数据集上仅用 1.5B 大小的模型就达到了上述效果。

论文地址：https://arxiv.org/abs/2311.10982

demo 地址：https://makepixelsdance.github.io

在相应的论文《Make Pixels Dance: High-Dynamic Video Generation》中，作者指出了视频生成难以做出好效果的原因：相比于图片生成，视频生成具有特征空间显著更大、动作多样性显著更强的特点。这就导致了现有的视频生成方法难以学到有效的时域动作信息，生成的视频虽然图片质量较高，但动态性非常有限。

针对上述问题，PixelDance 提出了基于文本指导 + 首尾帧图片指导的视频生成方法，使得模型更充分地关注和学习视频的动态信息。

其中，首帧图片指导为整个视频内容提供了框架和素材。此外，通过将上一个视频片段的尾帧拿来作为下一个视频片段的首帧指导，可以生成更长的视频。文本描述提供了对视频动作的描述。尾帧图片指导为视频生成过程提供了结束状态的信息。作者提出了适配的方法，使得模型能接收比较粗糙的图片作为指导，这使得用户可以使用基本的图片编辑工具获得尾帧图片指导。

官网的信息显示，目前还在积极地迭代模型效果中，未来 2-3 个月内就会放出人人可以试用的模型。目前，作者也提供了途径支持大家发送想要测试的样例，目前官网中已经放出了一些用户的测试样例：