由香港科技大學、快手科技提出的UNIC（統(tǒng)一上下文視頻編輯）是一個簡單而有效的框架，它以上下文的方式統(tǒng)一單個模型中的各種視頻編輯任務。從此，視頻編輯用著一個工具就夠了！

ID插入

ID交換

刪除ID

相機控制

風格化

第一幀傳播

緊急任務組合

UNIC 還表現(xiàn)出了新興任務組合能力。

重新拍攝+風格化

ID+風格化

相關鏈接

• 論文：https://arxiv.org/pdf/2506.04216
• 主頁：https://zixuan-ye.github.io/UNIC

論文介紹

UNIC：框架和設計

動機

• 基于DDIM反轉的方法（例如Video-P2P、FLATTEN）：性能欠佳。 附加階段，使推理步驟和總體成本加倍。
• 基于適配器的方法：需要修改模型架構。通過添加適配器模塊引入?yún)?shù)冗余。

它們通常是針對特定任務的，需要針對每個不同的條件信號訓練單獨的模塊。這嚴重阻礙了任務的可擴展性和各種編輯功能的統(tǒng)一。

統(tǒng)一上下文框架

UNIC 通過將所有輸入（含噪視頻潛伏信號、參考視頻標記以及各種多模態(tài)條件標記）處理為一個組合序列來統(tǒng)一視頻編輯。這使得擴散變換器 (DiT) 的原生注意力機制能夠“在上下文中”學習復雜的編輯任務，從而提供靈活性和簡便性。

• 針對不同任務的統(tǒng)一模型。
• 將輸入標記定義為三種類型。
• 沒有特定任務的適配器模塊。

任務感知 RoPE

根據(jù)任務類型和視頻長度動態(tài)分配唯一的旋轉位置嵌入 (RoPE) 幀索引。這確保了在不同條件下對時間的理解和正確對齊。

條件偏差

為條件標記添加特定于任務的可學習嵌入。這有助于模型在模態(tài)重疊時區(qū)分目標任務，從而有效解決歧義。

結論

論文提出的統(tǒng)一的上下文內(nèi)視頻編輯UNIC是一個簡單而有效的框架，它以上下文內(nèi)的方式將不同的視頻編輯任務統(tǒng)一到一個模型中。為此，我們將不同視頻編輯任務的輸入表示為三種類型的標記，并將它們集成為一個統(tǒng)一的標記序列，并與擴散變換器 (Diffusion Transformer) 的原始全注意力機制聯(lián)合建模。憑借設計的任務感知 RoPE 和條件偏差，該方法可以靈活地執(zhí)行不同的編輯任務并支持它們的組合。為了便于評估，論文還構建了一個統(tǒng)一的視頻編輯基準。在六個代表性視頻編輯任務上進行的大量實驗表明，該模型在每項任務上都表現(xiàn)出卓越的性能，并展現(xiàn)出新興的任務組合能力。

本文轉載自???????AIGC Studio???????，作者：AIGC Studio