基于Diffusion模型的AIGC生成算法日益火熱，其中文生圖，圖生圖等圖像生成技術(shù)普遍成熟，很多算法從業(yè)者開(kāi)始從事視頻生成算法的研究和開(kāi)發(fā)，原因是視頻生成領(lǐng)域相對(duì)空白。

一、AIGC視頻算法發(fā)展現(xiàn)狀

從2023年開(kāi)始，AIGC+視頻的新算法層出不窮，其中最直接的是把圖像方面的成果引入視頻領(lǐng)域，并結(jié)合時(shí)序信息去生成具有連續(xù)性的視頻。隨著Sora的出現(xiàn)，視頻生成的效果又再次上升了一個(gè)臺(tái)階，因此有必要將去年一年到現(xiàn)在的視頻領(lǐng)域進(jìn)展梳理一下，為以后的視頻方向的研究提供一點(diǎn)思路。

二、AIGC視頻算法分類(lèi)

AIGC視頻算法，經(jīng)過(guò)梳理發(fā)現(xiàn)，可以大體分為：文生視頻，圖生視頻，視頻編輯，視頻風(fēng)格化，人物動(dòng)態(tài)化，長(zhǎng)視頻生成等方向。具體的輸入和輸出形式如下：

1. 文生視頻：輸入文本，輸出視頻
2. 圖生視頻：輸入圖片（+控制條件），輸出視頻
3. 視頻編輯：輸入視頻（+控制條件），輸出視頻
4. 視頻風(fēng)格化：輸入視頻，輸出視頻
5. 人物動(dòng)態(tài)化：輸入圖片+姿態(tài)條件，輸出視頻
6. 長(zhǎng)視頻生成：輸入文本，輸出長(zhǎng)視頻

三、具體算法梳理

文生視頻

CogVideo: Large-scale Pretraining for Text-to-Video Generation via Transformers

機(jī)構(gòu)：清華

時(shí)間：2022.5.29

???https://github.com/THUDM/CogVideo.??

簡(jiǎn)單介紹：基于兩階段的transformer（生成+幀間插值）來(lái)做文生視頻

IMAGEN VIDEO

機(jī)構(gòu)：Google

時(shí)間：2022.10.5

簡(jiǎn)單介紹：基于google的Imagen來(lái)做的時(shí)序擴(kuò)展，而Imagen和Imagen video都沒(méi)有開(kāi)源

Text2Video-Zero: Text-to-Image Diffusion Models are Zero-Shot Video Generators

機(jī)構(gòu)：Picsart AI Resarch

時(shí)間：2023.3.23

???https://github.com/Picsart-AI-Research/Text2Video-Zero???

簡(jiǎn)單介紹：基于圖像diffusion model引入corss-frame attention來(lái)做時(shí)序建模，其次通過(guò)顯著性檢測(cè)來(lái)實(shí)現(xiàn)背景平滑。

MagicVideo: Efficient Video GenerationWith Latent Diffusion Models

機(jī)構(gòu)：字節(jié)

時(shí)間：2023.5.11

簡(jiǎn)單介紹：直接將圖像SD架構(gòu)擴(kuò)展成視頻，增加了時(shí)序信息

AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning

機(jī)構(gòu)：上海 AI Lab

時(shí)間：2023.7.11

???https://animatediff.github.io/???

簡(jiǎn)單介紹：基于圖像diffusion model，訓(xùn)練一個(gè)運(yùn)動(dòng)建模模塊，來(lái)學(xué)習(xí)運(yùn)動(dòng)信息

VideoCrafter1: Open Diffusion Models for High-Quality Video Generation

機(jī)構(gòu)：騰訊 AI Lab

時(shí)間：2023.10.30

???https://ailab-cvc.github.io/videocrafter???

簡(jiǎn)單介紹：基于diffusion模型，網(wǎng)絡(luò)架構(gòu)采用空間和時(shí)序attention操作來(lái)實(shí)現(xiàn)視頻生成

圖生視頻

AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning

機(jī)構(gòu)：上海 AI Lab

時(shí)間：2023.7.11

???https://animatediff.github.io/??

VideoCrafter1: Open Diffusion Models for High-Quality Video Generation

機(jī)構(gòu)：騰訊 AI Lab

時(shí)間：2023.10.30

???https://ailab-cvc.github.io/videocrafter??

stable video diffusion

機(jī)構(gòu)：Stability AI

時(shí)間：2023.11.21

???https://stability.ai/news/stable-video-diffusion-open-ai-video-model???

簡(jiǎn)單介紹：基于SD2.1增加時(shí)序?qū)樱瑏?lái)進(jìn)行視頻生成

AnimateZero: Video Diffusion Models are Zero-Shot Image Animators

機(jī)構(gòu)：騰訊 AI Lab

時(shí)間：2023.12.6

???https://github.com/vvictoryuki/AnimateZero（未開(kāi)源）??

簡(jiǎn)單介紹：基于Animate Diff增加了位置相關(guān)的attention

AnimateAnything: Fine-Grained Open Domain Image Animation with Motion Guidance

機(jī)構(gòu)：阿里

時(shí)間：2023.12.4

???https://animationai.github.io/AnimateAnything/???

簡(jiǎn)單介紹：可以針對(duì)特定位置進(jìn)行動(dòng)態(tài)化，通過(guò)學(xué)習(xí)運(yùn)動(dòng)信息實(shí)現(xiàn)時(shí)序信息生成

LivePhoto: Real Image Animation with Text-guided Motion Control

機(jī)構(gòu)：阿里

時(shí)間：2023.12.5

???https://xavierchen34.github.io/LivePhoto-Page/（未開(kāi)源）??

簡(jiǎn)單介紹：將參考圖，運(yùn)動(dòng)信息拼接作為輸入，來(lái)進(jìn)行圖像的動(dòng)態(tài)化

視頻風(fēng)格化

Rerender A Video: Zero-Shot Text-Guided Video-to-Video Translation

機(jī)構(gòu)：南洋理工

時(shí)間：2023.12.17

??https://www.mmlab-ntu.com/project/rerender/???

簡(jiǎn)單介紹：基于SD+controlnet，結(jié)合cros-frame attention來(lái)風(fēng)格化視頻序列

DCTNet

機(jī)構(gòu)：阿里達(dá)摩院

時(shí)間：2022.7.6

???https://github.com/menyifang/DCT-Net/???

簡(jiǎn)單介紹：基于GAN的框架做的視頻風(fēng)格化，目前支持7種不同的風(fēng)格

視頻編輯

主要是將深度圖或者其他條件圖（canny/hed），通過(guò)網(wǎng)絡(luò)注入Diffusion model中，控制整體場(chǎng)景生成，并通過(guò)prompt設(shè)計(jì)來(lái)控制主體目標(biāo)的外觀。其中controlnet被遷移進(jìn)入視頻編輯領(lǐng)域，出現(xiàn)了一系列controlnetvideo的工作。

Structure and Content-Guided Video Synthesis with Diffusion Models

機(jī)構(gòu)：Runway

時(shí)間：2023.2.6

???https://research.runwayml.com/gen1??

Animate diff+ControlNet（基于WebUI API）

Video-P2P: Video Editing with Cross-attention Control

機(jī)構(gòu)：港中文，adobe

時(shí)間：2023.3.8

???https://video-p2p.github.io/??

Pix2Video: Video Editing using Image Diffusion

機(jī)構(gòu)：Abode

時(shí)間：2023.3.22

???https://duyguceylan.github.io/pix2video.github.io/??

InstructVid2Vid: Controllable Video Editing with Natural Language Instructions

機(jī)構(gòu)：浙大

時(shí)間：2023.5.21

ControlVideo: Training-free Controllable Text-to-Video Generation

機(jī)構(gòu)：華為

時(shí)間：2023.5.22

???https://github.com/YBYBZhang/ControlVideo??

ControlVideo: Conditional Control for One-shot Text-driven Video Editing and Beyond

機(jī)構(gòu)：清華

時(shí)間：2023.11.28

???https://github.com/thu-ml/controlvideo??

Control-A-Video: Controllable Text-to-Video Generation with Diffusion Models

時(shí)間：2023.12.6

???https://controlavideo.github.io/??

StableVideo: Text-driven Consistency-aware Diffusion Video Editing

機(jī)構(gòu)：MSRA

時(shí)間：2023.8.18

???https://github.com/rese1f/StableVideo??

MagicEdit: High-Fidelity and Temporally Coherent Video Editing

機(jī)構(gòu)：字節(jié)

時(shí)間：2023.8.28

???https://magic-edit.github.io/（未開(kāi)源）??

GROUND-A-VIDEO: ZERO-SHOT GROUNDED VIDEO EDITING USING TEXT-TO-IMAGE DIFFUSION MODELS

機(jī)構(gòu)：KAIST

時(shí)間：2023.10.2

???https://ground-a-video.github.io/??

FateZero: Fusing Attentions for Zero-shot Text-based Video Editing

機(jī)構(gòu)：騰訊AI Lab

時(shí)間：2023.10.11

???https://fate-zero-edit.github.io??

Motion-Conditioned Image Animation for Video Editing

機(jī)構(gòu)：Meta

時(shí)間：2023.11.30

facebookresearch.github.io/MoCA（未開(kāi)源）

VidEdit: Zero-shot and Spatially Aware Text-driven Video Editing

機(jī)構(gòu)：Sorbonne Université, Paris, France

時(shí)間：2023.12.15

???https://videdit.github.io??

Zero-Shot Video Editing Using Off-The-Shelf Image Diffusion Models

時(shí)間：2024.1.4

???https://github.com/baaivision/vid2vid-zero??

人物動(dòng)態(tài)化

主要是通過(guò)人體姿態(tài)作為條件性輸入（結(jié)合controlnet等），將一張圖作為前置參考圖，或者直接使用文本描述生成圖片。其中阿里和字節(jié)分別有幾篇代表性論文，其中字節(jié)的代碼有兩篇已經(jīng)開(kāi)源，阿里的代碼還在等待階段。

• Follow Your Pose

機(jī)構(gòu)：騰訊AI Lab

時(shí)間：2023.4.3

???https://follow-your-pose.github.io/??

DreamPose: Fashion Image-to-Video Synthesis via Stable Diffusion

機(jī)構(gòu)：google，nvidia

時(shí)間：2023.5.4

???https://grail.cs.washington.edu/projects/dreampose/??

DISCO: Disentangled Control for Realistic Human Dance Generation

機(jī)構(gòu)：微軟

時(shí)間：2023.10.11

???https://disco-dance.github.io??

MagicAnimate: Temporally Consistent Human Image Animation using Diffusion Model

機(jī)構(gòu)：字節(jié)

時(shí)間：2023.11.27

???https://showlab.github.io/magicanimate/??

MaigcDance

機(jī)構(gòu)：字節(jié)

時(shí)間：2023.11.18

???https://boese0601.github.io/magicdance/??

Animate Anyone: Consistent and Controllable Image-to-Video Synthesis for Character Animation

機(jī)構(gòu)：阿里

時(shí)間：2023.12.7

???https://humanaigc.github.io/animate-anyone/（未開(kāi)源）??

DreaMoving: A Human Video Generation Framework based on Diffusion Model

機(jī)構(gòu)：阿里

時(shí)間：2023.12.11

???https://dreamoving.github.io/dreamoving（未開(kāi)源）??

長(zhǎng)視頻生成

NUWA-XL: Diffusion over Diffusion for eXtremely Long Video Generation

機(jī)構(gòu)：微軟亞研院

時(shí)間：2023.3.22

???https://msra-nuwa.azurewebsites.net/??

Latent Video Diffusion Models for High-Fidelity Long Video Generation

機(jī)構(gòu)：騰訊AI Lab

時(shí)間：2023.3.20

Gen-L-Video: Multi-Text to Long Video Generation via Temporal Co-Denoising

機(jī)構(gòu)：上海AI Lab

時(shí)間：2023.3.29

??https://github.com/G-U-N/Gen-L-Video??

Sora（OpenAI）

時(shí)間：2024.2

???https://openai.com/sora（未開(kāi)源）??

Latte: Latent Diffusion Transformer for Video Generation

機(jī)構(gòu)：上海AI Lab

時(shí)間：2024.1.5

???https://maxin-cn.github.io/latte_project??

四、算法效果分析

本章節(jié)選擇了一些代表性的方法進(jìn)行效果分析

Animate Diff

效果：??https://animatediff.github.io/??，支持文生視頻，圖生視頻，以及和controlnet結(jié)合做視頻編輯

Animate Diff+ControlNet

輸入視頻：moonwalk.mp4?

輸出樣例

注意：要輸入主語(yǔ)保證主體一致性

AnimateAnything

能夠指定圖片的運(yùn)動(dòng)區(qū)域，根據(jù)文本進(jìn)行圖片的動(dòng)態(tài)化

效果：

Stable Video Diffusion

能夠基于靜止圖片生成25幀的序列(576x1024)

效果：

圖片

ControlVideo

輸入+輸出樣例：500.mp4，300.mp4，整體效果不錯(cuò)

問(wèn)題：因?yàn)橥评磉^(guò)程需要額外的訓(xùn)練，消耗時(shí)間久，第一個(gè)視頻需要50min（32幀），第二個(gè)視頻需要14min（8幀）

Rerender A Video

整體效果還可以，運(yùn)行速度和視頻幀數(shù)有關(guān)，10s視頻大約在20min左右。

DCTNet

效果：整體畫(huà)面穩(wěn)定，支持7種風(fēng)格，顯存要求低（6-7G），上面視頻40s左右就可以處理完

DreamPose

Animate Anyone

MagicDance

輸入圖片：

輸出：

Sora

效果：https://openai.com/sora?

能夠生成長(zhǎng)視頻，質(zhì)量很好，但是尚未開(kāi)源

五、總結(jié)和展望

1. 文生視頻和圖生視頻算法：其中Animate Diff，VideoCrafter等已經(jīng)開(kāi)源，支持文/圖生成視頻，并且經(jīng)過(guò)測(cè)試效果還不錯(cuò)，同時(shí)圖生視頻還支持通過(guò)結(jié)合不同的base模型實(shí)現(xiàn)視頻的風(fēng)格化。不過(guò)生成的視頻幀數(shù)基本都在2s以內(nèi)，可以作為動(dòng)圖的形式進(jìn)行展示。其中Stable Video Diffusion是stability ai開(kāi)源的一個(gè)圖生視頻的算法，效果相對(duì)更加逼真，視頻質(zhì)量更高，但是視頻長(zhǎng)度依舊很短。
2. 視頻編輯算法：比如基于controlnet的可控生成視頻可以初步達(dá)到預(yù)期的效果，支持實(shí)現(xiàn)特定目標(biāo)或者屬性（顏色等）的更換，也支持人物的換裝（比如顏色描述）等等，其中生成的視頻長(zhǎng)度和GPU顯存相關(guān)。
3. 視頻風(fēng)格化：基于diffusion 模型的視頻風(fēng)格化效果最好的是rerender a video，可以支持prompt描述來(lái)進(jìn)行視頻的風(fēng)格化，整體來(lái)講這個(gè)方法對(duì)人臉和自然環(huán)境有比較好的效果，運(yùn)行成本也相對(duì)較低（相較于視頻編輯算法）
4. 特定的人物動(dòng)態(tài)化算法：目前demo效果最好的animate anyone和dream moving都還沒(méi)有開(kāi)源。不過(guò)這兩個(gè)算法都對(duì)外開(kāi)放了使用接口，比如通義千問(wèn)app以及modelscope平臺(tái)。重點(diǎn)介紹一下通義實(shí)驗(yàn)室的Dream moving，??https://www.modelscope.cn/studios/vigen/video_generation/summary??是其開(kāi)放的使用平臺(tái)，里面支持同款的動(dòng)作生成，圖生視頻，視頻的風(fēng)格化以及視頻賀卡等功能，整體來(lái)講效果很好。而目前開(kāi)源的方法中，測(cè)試的效果最好的是MagicDance，但是人臉有一定的模糊，距離animate anyone和dream moving展示的效果還有差距。
5. 長(zhǎng)視頻算法：隨著Sora的出現(xiàn)，Diffusion Transformer的架構(gòu)后續(xù)會(huì)備受關(guān)注，目前大部分算法都局限于2s左右的短視頻生成，而且質(zhì)量上不如Sora。后續(xù)會(huì)有更多的算法將Sora的思路融入現(xiàn)有的方法中，不斷提升視頻質(zhì)量和視頻長(zhǎng)度。不過(guò)目前sora的模型和實(shí)現(xiàn)細(xì)節(jié)并沒(méi)有在技術(shù)報(bào)告中公開(kāi)，因此在未來(lái)還會(huì)有一段的摸索路要走。
6. 整體總結(jié)：

本文轉(zhuǎn)載自大淘寶技術(shù)，作者：壹水

原文鏈接：??https://mp.weixin.qq.com/s/0OSmaXd9KAe6yOJkO627VQ??