后期狂喜！用照片絲滑替換視頻主角，動(dòng)作幅度再大也OK｜Meta&新加坡國(guó)立大學(xué)

豐色 2023-12-07 15:19:05 來(lái)源：量子位

豐色 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

后期狂喜了家人們～

現(xiàn)在，只需少量圖片就能定制化替換視頻主角，效果還是如此的絲滑！

且看這個(gè)叫做“VideoSwap”的新視頻編輯模型——

小貓一鍵變小狗，基操～

如果原物體本身扭動(dòng)幅度大一些？也完全沒(méi)問(wèn)題：

細(xì)看倆者之間的運(yùn)動(dòng)軌跡，給你保持得是一毛一樣：

再如果，替換前后的物體形狀差別較大呢？

例如車(chē)身較高的SUV換更長(zhǎng)的超跑，大郵輪換小白船。

吶，也是一整個(gè)完美替換，基本看不出任何破綻：

對(duì)比谷歌今年2月發(fā)的同類(lèi)視頻替換模型Dreamix：

不得不說(shuō)，現(xiàn)在這技術(shù)進(jìn)步真是肉眼可見(jiàn)啊～

那么，它是如何做到的呢？

方法也很有意思。

只需幾個(gè)語(yǔ)義點(diǎn)，拽一拽就OK

不管是風(fēng)格轉(zhuǎn)換還是主題/背景轉(zhuǎn)換，這種視頻編輯任務(wù)的主要挑戰(zhàn)都是如何從源視頻中提取運(yùn)動(dòng)軌跡傳輸?shù)叫乱曨l、覆蓋到新元素上，同時(shí)確保時(shí)間一致性。

此前的模型（原理包括編碼源運(yùn)動(dòng)、使用注意力圖、光流等）大多數(shù)顧此失彼，要么在時(shí)間一致性上做的不好，要么會(huì)嚴(yán)格限制形狀變化。

在此，VideoSwap提出使用少量語(yǔ)義點(diǎn)來(lái)描述物體的運(yùn)動(dòng)軌跡。

如下圖所示，飛機(jī)的運(yùn)動(dòng)軌跡就可以通過(guò)機(jī)翼、機(jī)頭和機(jī)尾的4個(gè)點(diǎn)來(lái)表示。

而在替換成直升機(jī)時(shí)，我們可以刪除兩個(gè)點(diǎn)，在只保留機(jī)頭和機(jī)尾來(lái)對(duì)齊運(yùn)動(dòng)軌跡的同時(shí)，免除形狀約束，讓體型不一樣的直升機(jī)得以替換。

除了刪除語(yǔ)義點(diǎn)，它還能拖拽。

像開(kāi)頭展示的這個(gè)SUV變超跑，由于車(chē)身變長(zhǎng)了，我們不對(duì)語(yǔ)義點(diǎn)進(jìn)行處理，超跑就變形了：

對(duì)此，我們只要將SUV車(chē)頭和車(chē)尾的幾個(gè)點(diǎn)稍加挪動(dòng)就OK：

下面這個(gè)天鵝的替換視頻也是經(jīng)過(guò)了語(yǔ)義點(diǎn)拖拽：

那么具體來(lái)說(shuō)，VideoSwap是如何操作的呢？

從它的pipeline來(lái)看，簡(jiǎn)單來(lái)說(shuō)，VideoSwap也是基于擴(kuò)散模型（潛擴(kuò)散）。

它首先用VAE編碼器對(duì)源視頻進(jìn)行編碼，獲得潛空間表示；然后用DDIM反演將它變換回有噪聲的表示。

接著用文本提示中的源主題（例如貓）替換目標(biāo)主題（狗），并使用DDIM scheduler進(jìn)行去噪。

在這個(gè)去噪過(guò)程中，就可以引入語(yǔ)義點(diǎn)對(duì)應(yīng)關(guān)系來(lái)引導(dǎo)目標(biāo)主題遵循原來(lái)的運(yùn)動(dòng)軌跡進(jìn)行生成了。

最后，為了保留背景，作者在此還采用了一個(gè)潛混合的概念。

此外，他們還通過(guò)將視頻運(yùn)動(dòng)層集成圖像擴(kuò)散模型中，來(lái)確保結(jié)果的時(shí)間一致性。

這里的關(guān)鍵點(diǎn)之一就是VideoSwap中的語(yǔ)義點(diǎn)提取和注冊(cè)（register）pipeline。（“注冊(cè)”是指把語(yǔ)義點(diǎn)安插到源視頻）

首先它需要我們?cè)陉P(guān)鍵幀中標(biāo)出關(guān)鍵語(yǔ)義點(diǎn)，然后再?gòu)囊曨l中提取所標(biāo)語(yǔ)義點(diǎn)對(duì)應(yīng)軌跡的embedding。

接下來(lái)在語(yǔ)義點(diǎn)匹配中，embedding由多個(gè)2層可學(xué)習(xí)MLP投射，并根據(jù)其坐標(biāo)位置放置到空特征中，然后逐元素添加到擴(kuò)散模型中作為運(yùn)動(dòng)引導(dǎo)。

至于用戶拖動(dòng)語(yǔ)義點(diǎn)后還可以讓視頻保持很好的一致性，這里用到的技術(shù)則是基于分層神經(jīng)圖譜（LNA）的點(diǎn)位移傳播。

通過(guò)被訓(xùn)練過(guò)的LNA，用戶拖動(dòng)產(chǎn)生的位移就能通過(guò)它的規(guī)范空間一致地傳播到每一幀之中。

最后，作者表示：基于以上這些方法，VideoSwap通過(guò)大量測(cè)試，最終取得了SOTA成績(jī)，成為目前最好的視頻變換模型。

這是它和一些主流方法的效果對(duì)比：

目標(biāo)是把飛機(jī)變直升機(jī)。

可以看到，除了VideoSwap，絕大多數(shù)方法都只在機(jī)頭部分往直升機(jī)的方向靠攏，不細(xì)看都發(fā)現(xiàn)不了，并且有的還伴隨著明顯的閃爍和偽影。

作者介紹

VideoSwap由新加坡國(guó)立大學(xué)和Meta合作完成。

一作Yuchao Gu為新加坡國(guó)立大學(xué)博士生，此前碩士畢業(yè)于南開(kāi)大學(xué)，他的研究方向正是AIGC，尤其為視頻生成為主。

他同時(shí)也是Meta GenAI方向的實(shí)習(xí)生。

通訊作者為新加坡國(guó)立大學(xué)助理教授Mike Z. Shou，他此前是Facebook AI的研究員。

參考鏈接：
https://arxiv.org/abs/2312.02087
https://videoswap.github.io/