AVID: 基于扩散模型的任意长视频修复

这篇文章提出了一种名为AVID（Any-Length Video Inpainting with Diffusion Model）的视频修复方法。AVID能够处理不同长度的视频，并在各种视频编辑任务中表现出色。视频修复，或称为视频填充（inpainting），是指在视频的给定遮罩区域内，根据文本提示或编辑指令，生成新的视频内容，同时保持未遮罩区域的原始视频内容不变。作者通过广泛的实验验证了AVID模型的有效性，并与现有的一些方法进行了比较，展示了其在不同视频修复任务中的优越性能。此外，文章还提供了一些定性的结果展示，以及对模型的效率、应用范围、比较分析、消融研究、局限性和潜在的改进方向的讨论。

文章链接：https://arxiv.org/abs/2312.03816
作者：Zhixing Zhang, Bichen Wu 等
项目地址：https://github.com/zhang-zx/AVID
内容整理：王寒

简介

本文介绍了一种在视频时长和任务范围内通用的视频修复方法。本文认为对用户而言最直接的视频编辑方法是在首帧给定mask并进行文字编辑。给定一个视频，一个初始帧的mask区域和一个编辑提示，该任务需要一个模型在每一帧按照编辑指导进行填充，同时保持mask外区域的完整性。难点有三：1）时域一致性 2）在不同的结构保真度水平下支持不同的修复类型 3）处理任意长度的视频

本文针对固定长度的视频编辑，本文的模型装备了高效的运动模块和可调节的结构指导。基于此，本文提出了具有中间帧注意力引导机制的Temporal MultiDiffusion采样流水线，以生成具有任意期望时长的视频。

模型细节

AVID在文字指导的图片inpainting框架基础上开发。结合了运动模块来保证编辑区域的时序一致性。结构指导模块使模型适应不同的结构保真度。以及一个zero-shot生成流水线，利用中间帧注意力指导机制来加强对任意长度视频的操控。

文字指导的视频补全

针对精确编辑任务，给定第一帧的mask，本文首先将这个mask扩展到视频的每一帧得到一个mask序列。对uncropping任务则为所有frame提供相同的mask。针对时域连续性问题，参考了AnimateDiff将2D卷积层扩展到pseudo-3D，并添加运动模块来学习帧间的关系：

其中条件c包括未被mask遮掉的区域v_m，mask和文本嵌入。训练过程中只优化运动模块从而保留原文生图模型的生成能力。

视频修复中的结构引导

考虑到inpainting任务包括各种类型的子任务，对结构保持的精确程度要求不一。一种常见的修复类型是对象互换，例如, “用MINI Cooper替换汽车” ；另一种类型是纹理映射(例如, “将叶子颜色从红色变为黄色” )；还有uncropping的类型(例如”填充在上面和下面的区域”)也很受欢迎。不同的修复类型意味着不同的结构保真度。例如，如果是物体变换，比如编辑操作是将人变成雕像，mask区域中原来人物的动作和结构都应该被保持。与之相对的是视频uncropping需要填充空白区域以增加视野，而没有来自mask区域的引导信号。

纹理映射要求保存源视频的结构，例如，将人的外套的材料转换为皮革（如图所示）而uncropping任务不需要这么精确。作者因此设计了一个结构引导模块，参考ControlNet的设计，固定去噪网络参数来训练结构模块（图中的s_θ）。使用一个结构提取器S为每一帧提取结构特征，提取到的结构特征Cs包含4种分辨率下的13个特征图，它们集成到去噪网络的skip connection和中间层的输入中。推理过程中提取器的中间层特征会有一个系数控制结构特征的强度。

针对长视频的Zero-shot推理

Temporal MultiDiffusion

理论上motion module能生成任意长度的视频，但是当生成长于训练视频的视频时会有严重退化现象。受MultiDiffusion的启发设计了Temporal MultiDiffusion。首先将长视频拆分成有混叠的切片，每一帧最后的结果是每个包含该帧切片得到的去噪结果的平均值。

Middle-frame attention guidance

虽然Multi Diffusion能平滑长视频的输出，但是作者发现视频的主题会发生渐变，如下图ω = 0时所示。

为了解决这一问题，本文引入了中间帧注意力指导来确保每个切片中生成的主体连续。首先将2D的自注意力扩展到pseudo-3D自注意力，在每个自注意力层使用一个切片里的中间帧作为指导，如下图所示，控制强度由参数ω控制。

实验

细节

在预训练的LDM模型基础上进行。使用的数据集是去水印后的Shutterstock video dataset。Motion Module训练设置为16帧512×512分辨率随机mask。此外Unet的编码器被用作控制模块，使用相同数据集训练。使用HED在合成区域作为控制模块的指导信息，控制模块的所有参数都参与优化。