后期狂喜了家人們～

現(xiàn)在，只需一張圖片就能替換視頻主角，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：

細看倆者之間的運動軌跡，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，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來描述物體的運動軌跡。

如下圖所示，飛機的運動軌跡就可以通過機翼、機頭和機尾的4個點來表示。

而在替換成直升機時，我們可以刪除兩個點，在只保留機頭和機尾來對齊運動軌跡的同時，免除形狀約束，讓體型不一樣的直升機得以替換。

除了刪除語義點，它還能拖拽。

像開頭展示的這個SUV變超跑，由于車身變長了，我們不對語義點進行處理，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也是基于擴散模型（潛擴散）。

它首先用VAE編碼器對源視頻進行編碼，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進行去噪。

在這個去噪過程中，就可以引入語義點對應(yīng)關(guān)系來引導(dǎo)目標(biāo)主題遵循原來的運動軌跡進行生成了。

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動層集成圖像擴散模型中，來確保結(jié)果的時間一致性。

這里的關(guān)鍵點之一就是VideoSwap中的語義點提取和注冊（register）pipeline。（“注冊”是指把語義點安插到源視頻）

首先它需要我們在關(guān)鍵幀中標(biāo)出關(guān)鍵語義點，然后再從視頻中提取所標(biāo)語義點對應(yīng)軌跡的embedding。

接下來在語義點匹配中，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散模型中作為運動引導(dǎo)。

至于用戶拖動語義點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)是把飛機變直升機。

可以看到，除了VideoSwap，絕大多數(shù)方法都只在機頭部分往直升機的方向靠攏，不細看都發(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。