論文鏈接：https://arxiv.org/pdf/2408.11475
項(xiàng)目鏈接：https://zhtjtcz.github.io/TrackGo-Page/

★亮點(diǎn)直擊

• 本文引入了一種新穎的運(yùn)動(dòng)可控視頻生成方法，稱為TrackGo。該方法為用戶提供了一種靈活的運(yùn)動(dòng)控制機(jī)制，通過結(jié)合 masks 和箭頭，實(shí)現(xiàn)了在復(fù)雜場(chǎng)景中的精確操控，包括涉及多個(gè)對(duì)象、細(xì)粒度對(duì)象部件和復(fù)雜運(yùn)動(dòng)軌跡的場(chǎng)景。
• 本文開發(fā)了一個(gè)新組件，稱為TrackAdapter，用于有效且高效地將運(yùn)動(dòng)控制信息集成到時(shí)間自注意力層中。
• 本文進(jìn)行了廣泛的實(shí)驗(yàn)來驗(yàn)證本文的方法。實(shí)驗(yàn)結(jié)果表明，本文的模型在視頻質(zhì)量（FVD）、圖像質(zhì)量（FID）和運(yùn)動(dòng)真實(shí)性（ObjMC）方面優(yōu)于現(xiàn)有模型。

近年來，基于擴(kuò)散的可控視頻生成領(lǐng)域取得了顯著進(jìn)展。然而，在復(fù)雜場(chǎng)景中實(shí)現(xiàn)精確控制仍然是一個(gè)挑戰(zhàn)，包括對(duì)細(xì)粒度的物體部分、復(fù)雜的運(yùn)動(dòng)軌跡以及連貫的背景運(yùn)動(dòng)的控制。在本文中，本文介紹了TrackGo，這是一種利用自由形式的masks和箭頭進(jìn)行條件視頻生成的新方法。該方法為用戶提供了一種靈活且精確的機(jī)制來操控視頻內(nèi)容。本文還提出了用于控制實(shí)現(xiàn)的TrackAdapter，這是一種高效輕量的適配器，旨在無縫集成到預(yù)訓(xùn)練視頻生成模型的時(shí)間自注意力層中。該設(shè)計(jì)利用了本文的觀察，即這些層的注意力圖可以準(zhǔn)確激活與視頻中運(yùn)動(dòng)對(duì)應(yīng)的區(qū)域。本文的實(shí)驗(yàn)結(jié)果表明，借助TrackAdapter增強(qiáng)的新方法在關(guān)鍵指標(biāo)如FVD、FID和ObjMC得分上實(shí)現(xiàn)了SOTA性能。

方法

概覽

在接下來的部分中，將討論三個(gè)主要主題：

1. 點(diǎn)軌跡的優(yōu)勢(shì)以及本文如何獲取和使用它們。
2. TrackAdapter的結(jié)構(gòu)以及它如何幫助SVD理解復(fù)雜的運(yùn)動(dòng)模式并完成復(fù)雜動(dòng)作的生成。
3. 我們模型的訓(xùn)練和推理過程。

點(diǎn)軌跡生成

在推理過程中，當(dāng)用戶提供第一幀圖像、編輯區(qū)域的masks以及相應(yīng)的箭頭時(shí)，本文的方法可以通過預(yù)處理將用戶輸入的masks和箭頭轉(zhuǎn)換為點(diǎn)軌跡，如上圖3所示。

通過 TrackAdapter 注入運(yùn)動(dòng)條件

為了避免原始時(shí)間自注意力分支對(duì)最終活躍區(qū)域的影響，本文根據(jù)注意力圖獲得一個(gè)注意力 mask ，以抑制由原始時(shí)間自注意力分支激活的區(qū)域。

TrackAdapter的訓(xùn)練和推理

Experiment Settings

數(shù)據(jù)集。 對(duì)于本文的實(shí)驗(yàn)，本文使用了一個(gè)內(nèi)部數(shù)據(jù)集，該數(shù)據(jù)集具有優(yōu)質(zhì)的視頻質(zhì)量，包括大約20萬段視頻。根據(jù)實(shí)驗(yàn)設(shè)計(jì)，本文進(jìn)一步篩選數(shù)據(jù)，得到約11萬段視頻作為本文的最終訓(xùn)練數(shù)據(jù)集。在訓(xùn)練過程中，每個(gè)視頻被調(diào)整為1024 × 576的分辨率，并標(biāo)準(zhǔn)化為每段25幀。

本文的測(cè)試集包括VIPSeg驗(yàn)證集以及內(nèi)部驗(yàn)證數(shù)據(jù)集中額外的300段視頻。值得注意的是，VIPSeg數(shù)據(jù)集中的所有視頻均為16:9的寬高比。為了保持一致性，本文將驗(yàn)證集中的所有視頻的分辨率調(diào)整為1024 × 576，而不是DragAnything中使用的256 × 256。為了評(píng)估，本文從測(cè)試集中每個(gè)視頻的前14幀中提取軌跡。

評(píng)估指標(biāo)和基線方法。 本文使用FVD(Frechet Video Distance)來測(cè)量視頻質(zhì)量，并使用FID來測(cè)量圖像質(zhì)量。本文將本文的方法與DragNUWA和DragAnything進(jìn)行比較，這些方法也可以使用軌跡信息作為條件輸入。根據(jù)DragAnything，ObjMC用于通過計(jì)算預(yù)測(cè)軌跡和真實(shí)軌跡之間的歐幾里得距離來評(píng)估運(yùn)動(dòng)控制性能。

定量評(píng)價(jià)

本文的方法與基線方法的定量比較如下表1所示。本文在VIPSeg驗(yàn)證集和內(nèi)部驗(yàn)證集上測(cè)試了所有模型。從結(jié)果可以看出，TrackGo在所有指標(biāo)上都優(yōu)于其他方法，這表明本文的方法可以生成具有更高視覺質(zhì)量的視頻，并且更加忠實(shí)于輸入的運(yùn)動(dòng)控制。本文還比較了三種方法的模型參數(shù)和推理速度。由于這三種方法都使用相同的基礎(chǔ)模型，本文的比較專注于新增模塊的總權(quán)重。為了評(píng)估模型的推理速度，本文在NVIDIA A100 GPU上使用相同的輸入數(shù)據(jù)對(duì)每種方法進(jìn)行了100次推理測(cè)試。結(jié)果表明，本文的方法不僅提供了最佳的視覺質(zhì)量，還實(shí)現(xiàn)了最快的推理速度，同時(shí)需要的額外參數(shù)最少。

定性評(píng)價(jià)

可視化。 本文在下圖4中展示了與DragAnything和DragNUWA的可視化比較。本文可以做出以下觀察：首先，DragNUWA在感知控制區(qū)域時(shí)存在困難，這可能導(dǎo)致光流不完整或不準(zhǔn)確。在案例(b)中，行星未被正確感知，而在案例(a)中，槍的移動(dòng)也是不正確的。在案例(c)中，雖然成功預(yù)測(cè)了火車的光流，但煙霧的光流缺失導(dǎo)致了刺眼的視覺效果。其次，DragAnything在處理部分或細(xì)粒度物體的移動(dòng)時(shí)也面臨困難。如案例(a)所示，只有槍和馬里奧的手應(yīng)該移動(dòng)，但馬里奧的整個(gè)位置也意外地移動(dòng)了。類似的問題也出現(xiàn)在案例(b)中。此外，DragAnything難以生成和諧的背景。在案例(c)中，煙霧沒有跟隨移動(dòng)的火車。相比之下，本文提出的TrackGo可以生成視頻，使目標(biāo)區(qū)域的移動(dòng)與用戶輸入精確對(duì)齊，同時(shí)保持背景的一致性和和諧性。這一能力顯著提高了生成視頻的視覺質(zhì)量和連貫性，展示了TrackGo的有效性。更多本文方法的案例可以在上圖1中找到。

相機(jī)運(yùn)動(dòng)。 類似于 DragAnything，TrackGo 也能夠?qū)崿F(xiàn)相機(jī)運(yùn)動(dòng)效果，如下圖 6 所示。只需選擇整個(gè)圖像區(qū)域作為運(yùn)動(dòng)區(qū)域，并提供一個(gè)運(yùn)動(dòng)軌跡，就可以實(shí)現(xiàn)相機(jī)沿著該軌跡指定方向移動(dòng)的效果。

消融研究

為了驗(yàn)證注意力 mask 和注意力損失的有效性，本文在不同的訓(xùn)練步數(shù)下報(bào)告了內(nèi)部驗(yàn)證集上的 FVD 指標(biāo)，如下表 2 所示。在相同的訓(xùn)練步數(shù)下，未使用注意力損失的模型顯示出略高的 FVD，與使用注意力損失的模型相比。當(dāng)不使用注意力損失時(shí)，F(xiàn)VD 高于應(yīng)用注意力損失時(shí)的水平。這種差異在 18K 訓(xùn)練步時(shí)尤為明顯。這表明使用注意力損失可以加速模型訓(xùn)練并有助于收斂。在沒有使用注意力 mask 和注意力損失的情況下，F(xiàn)VD 在大約 16K 步時(shí)趨于穩(wěn)定，但仍然顯著高于完整設(shè)置下的 FVD。

用戶研究

本文進(jìn)行了一項(xiàng)用戶研究來評(píng)估合成視頻的質(zhì)量。本文隨機(jī)抽取了60個(gè)案例，并對(duì)三種不同的方法進(jìn)行用戶研究。每份問卷包含從這60個(gè)案例中隨機(jī)抽取的30個(gè)案例。本文要求用戶根據(jù)整體質(zhì)量從兩個(gè)方面選擇最佳視頻：生成視頻與給定條件之間的一致性，以及生成視頻的質(zhì)量（例如，主體是否失真，未選擇的背景是否抖動(dòng)等）。本文邀請(qǐng)了30人填寫問卷，性別比例約為3:1（男性：女性）。大多數(shù)參與者是來自不同科學(xué)與工程領(lǐng)域的大學(xué)生，年齡在18到27歲之間。結(jié)果顯示，本文的方法獲得了62%的投票，高于DragAnything的16.33%和DragNUWA的21.67%，如下圖7所示。

結(jié)論

在本文中，本文引入了點(diǎn)軌跡來捕捉視頻中的復(fù)雜時(shí)間信息。本文提出了TrackAdapter來處理這些點(diǎn)軌跡，重點(diǎn)關(guān)注指定目標(biāo)的運(yùn)動(dòng)，并使用注意力 mask 來減輕原始時(shí)間自注意力對(duì)指定區(qū)域的影響。在推理過程中，注意力 mask 可以調(diào)節(jié)未指定區(qū)域的運(yùn)動(dòng)，從而使視頻輸出更符合用戶輸入。大量實(shí)驗(yàn)表明，本文的TrackGo在FVD、FID和ObjMC評(píng)分上達(dá)到了SOTA水平。此外，定性分析顯示，本文的方法在各種復(fù)雜場(chǎng)景中提供了精確的控制。

本文轉(zhuǎn)自 AI生成未來 ，作者：Haitao Zhou等

原文鏈接:??https://mp.weixin.qq.com/s/mH-ITIUX5AqGohh1tlPlHA??