相信很多人已經領會過生成式 AI 技術的魅力，特別是在經歷了 2022 年的 AIGC 爆發之后。以 Stable Diffusion 為代表的文本到圖像生成技術一度風靡全球，無數用戶涌入，借助 AI 之筆表達自己的藝術想象……

相比于圖像編輯，視頻編輯是一個更具有挑戰性的議題，它需要合成新的動作，而不僅僅是修改視覺外觀，此外還需要保持時間上的一致性。

在這條賽道上探索的公司也不少。前段時間，谷歌發布的 Dreamix 以將文本條件視頻擴散模型（video diffusion model, VDM）應用于視頻編輯。

近日，曾參與創建 Stable Diffusion 的 Runway 公司推出了一個新的人工智能模型「Gen-1」，該模型通過應用文本 prompt 或參考圖像指定的任何風格，可將現有視頻轉化為新視頻。

論文鏈接：https://arxiv.org/pdf/2302.03011.pdf

項目主頁：https://research.runwayml.com/gen1

2021 年，Runway 與慕尼黑大學的研究人員合作，建立了 Stable Diffusion 的第一個版本。隨后英國的一家初創公司 Stability AI 介入，資助了在更多數據上訓練模型所需的計算費用。2022 年，Stability AI 將 Stable Diffusion 納入主流，將其從一個研究項目轉變為一個全球現象。

Runway 表示，希望 Gen-1 能像 Stable Diffusion 在圖像上所做的那樣為視頻服務。

「我們已經看到圖像生成模型的大爆炸，」Runway 首席執行官兼聯合創始人 Cristóbal Valenzuela 說。「我真的相信，2023 年將是視頻之年。」

具體來說，Gen-1 支持幾種編輯模式：

1、風格化。將任何圖像或 prompt 的風格轉移到視頻的每一幀。

2、故事板。將模型變成完全風格化和動畫的渲染。

3、遮罩。分離視頻中的主題并使用簡單的文本 prompt 對其進行修改。

4、渲染。通過應用輸入圖像或 prompt，將無紋理渲染變成逼真的輸出。

5、定制化。通過自定義模型以獲得更高保真度的結果，釋放 Gen-1 的全部功能。

在該公司官方網站上發布的 demo 中，展示了 Gen-1 如何絲滑地更改視頻風格，來看幾個示例。

比如將「街道上的人」變成「粘土木偶」，只需要一行 prompt：

或者將「堆放在桌上的書」變成「夜晚的城市景觀」：

從「雪地上的奔跑」到「月球漫步」：

年輕女孩，竟然秒變古代先哲：

論文細節

視覺特效和視頻編輯在當代媒體領域無處不在。隨著以視頻為中心的平臺的普及，對更直觀、性能更強的視頻編輯工具的需求也在增加。然而，由于視頻數據的時間性，在這種格式下的編輯仍然是復雜和耗時的。最先進的機器學習模型在改善編輯過程方面顯示出了巨大的前景，但很多方法不得不在時間一致性和空間細節之間取得平衡。

由于引入了在大規模數據集上訓練的擴散模型，用于圖像合成的生成方法最近在質量和受歡迎程度上經歷了一個快速增長階段。一些文本條件模型，如 DALL-E 2 和 Stable Diffusion，使新手只需輸入一個文本 prompt 就能生成詳細的圖像。潛在擴散模型提供了有效的方法，通過在感知壓縮的空間中進行合成來生成圖像。

在本論文中，研究者提出了一個可控的結構和內容感知的視頻擴散模型，該模型是在未加字幕的視頻和配對的文本 - 圖像數據的大規模數據集上訓練的。研究者選擇用單目深度估計來表征結構，用預訓練的神經網絡預測的嵌入來表征內容。

該方法在其生成過程中提供了幾種強大的控制模式：首先，與圖像合成模型類似，研究者訓練模型使推斷出的視頻內容，如其外觀或風格，與用戶提供的圖像或文本 prompt 相匹配（圖 1）。其次，受擴散過程的啟發，研究者對結構表征應用了一個信息掩蔽過程，以便能夠選擇模型對給定結構的支持程度。最后，研究者通過一個自定義的指導方法來調整推理過程，該方法受到無分類指導的啟發，以實現對生成片段的時間一致性的控制。

總體來說，本研究的亮點如下：

• 通過在預訓練圖像模型中引入時間層，并在圖像和視頻上進行聯合訓練，將潛在擴散模型擴展到了視頻生成領域；
• 提出了一個結構和內容感知的模型，在樣本圖像或文本的指導下修改視頻。編輯工作完全是在推理時間內進行的，不需要額外對每個視頻進行訓練或預處理；
• 展示了對時間、內容和結構一致性的完全控制。該研究首次表明，對圖像和視頻數據的聯合訓練能夠讓推理時間控制時間的一致性。對于結構的一致性，在表征中不同的細節水平上進行訓練，可以在推理過程中選擇所需的設置；
• 在一項用戶研究中，本文的方法比其他幾種方法更受歡迎；
• 通過對一小部分圖像進行微調，可以進一步定制訓練過的模型，以生成更準確的特定主體的視頻。

方法

就研究目的而言，從內容和結構的角度來考慮一個視頻將是有幫助的。對于結構，此處指的是描述其幾何和動態的特征，比如主體的形狀和位置，以及它們的時間變化。對于內容，此處將其定義為描述視頻的外觀和語義的特征，比如物體的顏色和風格以及場景的照明。Gen-1 模型的目標是編輯視頻的內容，同時保留其結構。

為了實現這一目標，研究者學習了視頻 x 的生成模型 p (x|s, c)，其條件是結構表征（用 s 表示）和內容表征（用 c 表示）。他們從輸入視頻推斷出形狀表征 s，并根據描述編輯的文本 prompt c 對其進行修改。首先，描述了對生成模型的實現，作為一個條件潛在的視頻擴散模型，然后，描述了對形狀和內容表征的選擇。最后，討論了模型的優化過程。

模型結構如圖 2 所示。

實驗

為了評估該方法，研究者采用了 DAVIS 的視頻和各種素材。為了自動創建編輯 prompt，研究者首先運行了一個字幕模型來獲得原始視頻內容的描述，然后使用 GPT-3 來生成編輯 prompt。

定性研究

如圖 5 所示，結果證明，本文的方法在一些不同的輸入上表現良好。

用戶研究

研究者還使用 Amazon Mechanical Turk（AMT）對 35 個有代表性的視頻編輯 prompt 的評估集進行了用戶研究。對于每個樣本，均要求 5 個注解者在基線方法和本文方法之間對比對視頻編輯 prompt 的忠實度（「哪個視頻更好地代表了所提供的編輯過的字幕？」），然后以隨機順序呈現，并使用多數票來決定最終結果。

結果如圖 7 所示：

定量評估

圖 6 展示了每個模型使用本文框架一致性和 prompt 一致性指標的結果。本文模型在這兩方面的表現都傾向于超越基線模型（即，在圖的右上角位置較高）。研究者還注意到，在基線模型中增加強度參數會有輕微的 tradeoff：更大的強度縮放意味著更高的 prompt 一致性，代價是更低的框架一致性。同時他們還觀察到，增加結構縮放會導致更高的 prompt 一致性，因為內容變得不再由輸入結構決定。

定制化

圖 10 展示了一個具有不同數量的定制步驟和不同水平的結構依附性 ts 的例子。研究者觀察到，定制化提高了對人物風格和外觀的保真度，因此，盡管使用具有不同特征的人物的驅動視頻，但結合較高的 ts 值，還是可以實現精確的動畫效果。