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

要約

拡散ベースの生成モデルは、テキストベースの画像生成において目覚ましい成功を収めています。
ただし、生成の進行には非常に大きなランダム性が含まれるため、このようなモデルを現実世界のビジュアルコンテンツ編集、特にビデオに適用することは依然として困難です。
この論文では、プロンプトごとのトレーニングや用途固有のマスクを使用しない、実世界のビデオに対するゼロショット テキストベースの編集手法である FateZero を提案します。
ビデオを一貫して編集するために、事前トレーニングされたモデルに基づいていくつかの手法を提案します。
まず、単純な DDIM 反転手法とは対照的に、私たちのアプローチは反転中に中間アテンション マップをキャプチャし、構造情報と動き情報の両方を効果的に保持します。
これらのマップは、ノイズ除去中に生成されるのではなく、編集プロセスで直接融合されます。
ソース ビデオのセマンティック漏洩をさらに最小限に抑えるために、ソース プロンプトからのクロス アテンション機能によって得られるブレンディング マスクとセルフ アテンションを融合します。
さらに、フレームの一貫性を確保するために時空間的注意を導入することにより、UNet のノイズ除去におけるセルフ アテンション メカニズムの改革を実装しました。
簡潔ではありますが、私たちの方法は、ゼロショットのテキスト駆動ビデオ スタイルと、トレーニングされたテキストから画像へのモデルからのローカル属性編集の機能を示した最初の方法です。
また、テキストからビデオへのモデルに基づいた、より優れたゼロショット形状認識編集機能も備えています。
広範な実験により、以前の作品よりも優れた時間的一貫性と編集能力が実証されました。

要約(オリジナル)

The diffusion-based generative models have achieved remarkable success in text-based image generation. However, since it contains enormous randomness in generation progress, it is still challenging to apply such models for real-world visual content editing, especially in videos. In this paper, we propose FateZero, a zero-shot text-based editing method on real-world videos without per-prompt training or use-specific mask. To edit videos consistently, we propose several techniques based on the pre-trained models. Firstly, in contrast to the straightforward DDIM inversion technique, our approach captures intermediate attention maps during inversion, which effectively retain both structural and motion information. These maps are directly fused in the editing process rather than generated during denoising. To further minimize semantic leakage of the source video, we then fuse self-attentions with a blending mask obtained by cross-attention features from the source prompt. Furthermore, we have implemented a reform of the self-attention mechanism in denoising UNet by introducing spatial-temporal attention to ensure frame consistency. Yet succinct, our method is the first one to show the ability of zero-shot text-driven video style and local attribute editing from the trained text-to-image model. We also have a better zero-shot shape-aware editing ability based on the text-to-video model. Extensive experiments demonstrate our superior temporal consistency and editing capability than previous works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google