北大快手攻克复杂视频生成难题！新框架轻松组合各种细节，代码将开源

1,031 0 0

文章摘要

北京大学与快手AI团队合作提出了一个名为VideoTetris的新框架，旨在解决高难度、指令复杂的视频生成问题。该框架通过类似于拼图游戏俄罗斯方块的方式，轻松组合各种细节，生成复杂视频。在复杂视频生成任务中，VideoTetris超越了Pika、Gen-2等商用模型。

VideoTetris框架首次定义了组合视频生成任务，包括两个子任务：1) 跟随复杂组合指令的视频生成；2) 跟随递进的组合式多物体指令的长视频生成。目前，几乎所有开源模型和商用模型在生成正确视频方面都存在困难。例如，输入描述两个物体的指令时，现有模型往往生成融合了两个物体信息的奇怪视频。而VideoTetris能够成功保留所有位置信息和细节特征。

为了实现这一效果，VideoTetris采用了时空组合扩散方法。首先，将提示词按照时间解构，为不同视频帧指定不同的提示信息。然后，在每一帧上进行空间维度的解构，将不同物体对应不同的视频区域。最后，通过时空交叉注意力进行组合，实现高效的组合指令生成。此外，为了生成更高质量的长视频，团队还提出了一种增强的训练数据预处理方法，使长视频生成更加动态稳定。

VideoTetris还引入了一个参考帧注意力机制，使用原生VAE对之前的帧信息编码，区别于其他使用CLIP编码的方式。这样优化的结果是，长视频不再有大面积偏色现象，能够更好地适应复杂指令，生成的视频更具有动感，更符合自然。

为了评估组合生成的结果，团队引入了新的评测指标VBLIP-VQA和VUnidet，将组合生成评价方法首次扩展到视频维度。实验测试表明，在组合视频生成能力上，VideoTetris的表现超过了所有开源模型，甚至是商用模型如Gen-2和Pika。

据悉，VideoTetris的代码将完全开源。论文地址为：https://arxiv.org/abs/2406.04277，项目主页：https://videotetris.github.io/，GitHub地址：https://github.com/YangLing0818/VideoTetris。这一创新成果为高难度视频生成领域带来了突破性进展，有望推动相关技术的发展和应用。