后期狂喜！用照片絲滑替換視頻主角，動作幅度再大也OK｜Meta&新加坡國立大學(xué)
多說無益，直接看演示～
豐色 發(fā)自 凹非寺
量子位 | 公眾號 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幅度大一些？也完全沒問題：
細(xì)看倆者之間的運(yùn)動軌跡，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？
例如車身較高的SUV換更長的超跑，大郵輪換小白船。
吶，也是一整個完美替換，基本看不出任何破綻：
對比谷歌今年2月發(fā)的同類視頻替換模型Dreamix：
不得不說，現(xiàn)在這技術(shù)進(jìn)步真是肉眼可見啊～
那么，它是如何做到的呢？
方法也很有意思。
只需幾個語義點(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)動軌跡傳輸?shù)叫乱曨l、覆蓋到新元素上，同時確保時間一致性。
此前的模型（原理包括編碼源運(yùn)動、使用注意力圖、光流等）大多數(shù)顧此失彼，要么在時間一致性上做的不好，要么會嚴(yán)格限制形狀變化。
在此，VideoSwap提出使用少量語義點(diǎn)來描述物體的運(yùn)動軌跡。
如下圖所示，飛機(jī)的運(yùn)動軌跡就可以通過機(jī)翼、機(jī)頭和機(jī)尾的4個點(diǎn)來表示。
而在替換成直升機(jī)時，我們可以刪除兩個點(diǎn)，在只保留機(jī)頭和機(jī)尾來對齊運(yùn)動軌跡的同時，免除形狀約束，讓體型不一樣的直升機(jī)得以替換。
除了刪除語義點(diǎn)，它還能拖拽。
像開頭展示的這個SUV變超跑，由于車身變長了，我們不對語義點(diǎn)進(jìn)行處理，超跑就變形了：
對此，我們只要將SUV車頭和車尾的幾個點(diǎn)稍加挪動就OK：
下面這個天鵝的替換視頻也是經(jīng)過了語義點(diǎn)拖拽：
那么具體來說，VideoSwap是如何操作的呢？
從它的pipeline來看，簡單來說，VideoSwap也是基于擴(kuò)散模型（潛擴(kuò)散）。
它首先用VAE編碼器對源視頻進(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。
在這個去噪過程中，就可以引入語義點(diǎn)對應(yīng)關(guān)系來引導(dǎo)目標(biāo)主題遵循原來的運(yùn)動軌跡進(jìn)行生成了。
最后，為了保留背景，作者在此還采用了一個潛混合的概念。
此外，他們還通過將視頻運(yùn)動層集成圖像擴(kuò)散模型中，來確保結(jié)果的時間一致性。
這里的關(guān)鍵點(diǎn)之一就是VideoSwap中的語義點(diǎn)提取和注冊（register）pipeline。（“注冊”是指把語義點(diǎn)安插到源視頻）
首先它需要我們在關(guān)鍵幀中標(biāo)出關(guān)鍵語義點(diǎn)，然后再從視頻中提取所標(biāo)語義點(diǎn)對應(yīng)軌跡的embedding。
接下來在語義點(diǎn)匹配中，embedding由多個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)動引導(dǎo)。
至于用戶拖動語義點(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。
通過被訓(xùn)練過的LNA，用戶拖動產(chǎn)生的位移就能通過它的規(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通過大量測試，最終取得了SOTA成績，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由新加坡國立大學(xué)和Meta合作完成。
一作Yuchao Gu為新加坡國立大學(xué)博士生，此前碩士畢業(yè)于南開大學(xué)，他的研究方向正是AIGC，尤其為視頻生成為主。
他同時也是Meta GenAI方向的實(shí)習(xí)生。
通訊作者為新加坡國立大學(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/
相關(guān)閱讀
