360 AI研究中心和中山大学的研究人员推出新型视频生成模型FancyVideo，它能够根据文本提示生成动态丰富且时间上连贯的视频。FancyVideo通过精心设计的跨帧文本引导模块（CTGM）改进了现有的文本控制机制。具体来说，CTGM在交叉注意力的开始、中间和结尾分别集成了时间信息注入器（TII）、时间亲和力精炼器（TAR）和时间特征增强器（TFB），以实现特定于帧的文本指导。首先，TII将来自潜在特征的帧特异性信息注入到文本条件中，从而获得跨帧文本条件。然后，TAR沿时间维度细化跨帧文本条件与潜在特征之间的相关性矩阵。最后，TFB增强了潜在特征的时间一致性。
例如，你给FancyVideo一个描述，比如“夕阳下，海浪上漂浮着一只黄色的橡皮鸭”，它就能创造出一个符合这个描述的动态视频，而且视频中的橡皮鸭会随着海浪起伏，展现出逼真的动态效果。
主要功能和特点：
- 跨帧文本引导（Cross-frame Textual Guidance）：FancyVideo使用一种新颖的文本控制机制，能够根据文本提示在不同帧之间生成连贯的动作。
- 动态和连贯的视频生成：与现有技术相比，FancyVideo能够生成更具动态性和时间连贯性的视频。
- 高效率和高质量：FancyVideo在保持视频质量的同时，提高了视频生成的效率。
工作原理：
- FancyVideo通过Temporal Information Injector (TII)将时间信息注入到文本条件中，从而获得特定帧的文本条件。
- Temporal Affinity Refiner (TAR)用于优化跨帧文本条件和潜在特征之间的时间相关性，调整文本引导的时间逻辑。
- Temporal Feature Booster (TFB)进一步提升潜在特征的时间一致性，确保视频在连续帧之间的连贯性。
具体应用场景：
- 个性化视频生成：用户可以根据自己的想象或需求，输入文本描述，生成独特的视频内容。
- 视频内容扩展：对现有视频进行扩展，比如增加背景故事或延续视频情节。
- 艺术创作和娱乐：在电影、游戏或动画制作中，FancyVideo可以用来创造复杂的动态场景。
评论0