Pix2Gif: Motion-Guided Diffusion for GIF Generation

要約

私たちは、画像から GIF (ビデオ) への生成のためのモーションガイド付き拡散モデルである Pix2Gif を紹介します。
私たちは、ティーザー図に示すように、テキストと動きの大きさのプロンプトによって操作される画像変換問題としてタスクを定式化することで、この問題に別の方法で取り組みます。
モデルがモーション ガイダンスに準拠していることを確認するために、2 種類のプロンプトに基づいてソース画像の特徴を空間的に変換する新しいモーション ガイド付きワーピング モジュールを提案します。
さらに、変換された特徴マップがターゲット画像と同じ空間内に留まるように知覚損失を導入し、コンテンツの一貫性と一貫性を確保します。
モデルのトレーニングの準備として、対象の時間的変化に関する豊富な情報を提供する TGIF ビデオ キャプション データセットから一貫した画像フレームを抽出することにより、データを注意深く厳選しました。
事前トレーニング後、モデルをゼロショット方式で多数のビデオ データセットに適用します。
広範な定性的および定量的実験により、私たちのモデルの有効性が実証されました。このモデルは、テキストからの意味的プロンプトだけでなく、動作ガイダンスからの空間的プロンプトも捕捉します。
16xV100 GPU の単一ノードを使用してすべてのモデルをトレーニングします。
コード、データセット、モデルは https://hiteshk03.github.io/Pix2Gif/ で公開されています。

要約(オリジナル)

We present Pix2Gif, a motion-guided diffusion model for image-to-GIF (video) generation. We tackle this problem differently by formulating the task as an image translation problem steered by text and motion magnitude prompts, as shown in teaser fig. To ensure that the model adheres to motion guidance, we propose a new motion-guided warping module to spatially transform the features of the source image conditioned on the two types of prompts. Furthermore, we introduce a perceptual loss to ensure the transformed feature map remains within the same space as the target image, ensuring content consistency and coherence. In preparation for the model training, we meticulously curated data by extracting coherent image frames from the TGIF video-caption dataset, which provides rich information about the temporal changes of subjects. After pretraining, we apply our model in a zero-shot manner to a number of video datasets. Extensive qualitative and quantitative experiments demonstrate the effectiveness of our model — it not only captures the semantic prompt from text but also the spatial ones from motion guidance. We train all our models using a single node of 16xV100 GPUs. Code, dataset and models are made public at: https://hiteshk03.github.io/Pix2Gif/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google