共计 12504 个字符，预计需要花费 32 分钟才能阅读完成。
我的项目背景
继 AI 绘画之后，短视频行业正迎来 AI 智能创作的新浪潮。AI 智能创作正在各个方面为创作者和用户带来新的体验和价值。AI 动漫视频、AI 瞬息宇宙、AI 视频风格化等诸多创作性能不仅为视频内容创作提供了全新灵感，而且大大降低了用户创作的门槛，进步了视频生产效率。
然而，现有的文本 - 视频生成办法须要极其昂扬的计算资源和超大规模的文本 - 视频数据集（如：CogVideo、Gen-1），对大多数用户来说，老本较高。此外，很多时候单纯应用文本提醒生成视频，生成的内容较为形象，不肯定合乎用户的需要。因而，在某些状况下，用户须要提供参考视频，并通过文本提醒来疏导模型进行文本视频生成。与之对应，Text2Video-Zero 能够通过静止动力学（motion dynamics）、帧间注意力机制（frame-level self-attention）等技术手段对原始的文本 - 图像模型进行批改，使其能够实现文本 - 视频工作，且不需任何训练，是一种非常现实的文本 - 视频生成办法。本我的项目 基于飞桨框架实现了 Text2Video-Zero 的外围代码及依赖库，并通过 PPDiffusers 的文本 - 图像生成模型实现了文本 - 视频生成、文本 - 视频编辑、姿势疏导的文本 - 视频生成、边缘疏导的文本 - 视频生成、深度图疏导的文本 - 视频生成、边缘疏导和 Dreambooth 定制的文本 - 视频生成在内的全副视频生成模块，并将该成绩开源在 AI Studio 上。该实现对丰盛飞桨 AIGC 生态具备极大的意义。
大模型专区 Text2Video-Zero- 零样本文本到视频生成（上）
https://aistudio.baidu.com/aistudio/projectdetail/6212799
大模型专区 Text2Video-Zero- 零样本文本到视频生成（下）
https://aistudio.baidu.com/aistudio/projectdetail/6389526
模型原理
Text2Video-Zero 以随机采样潜在编码 为终点，应用预训练的 Stable Diffusion 模型（SD），通过 DDIM 反向流传 步来取得。对于每一帧 k，作者应用变形函数将变换为，从而取得特定的运动场后果。通过应用静止动力学对潜在编码进行加强，模型能够确定全局场景和相机静止，从而实现背景和全局场景的工夫一致性。之后，作者应用 DDPM 前向流传对潜在编码 , k=1,…,m 进行传递。这里，概率 DDPM 办法能够实现更大自由度的物体静止。而后将潜在编码传递到应用帧间注意力机制批改后的 SD 模型中，帧间注意力机制应用第一帧的 key 和 value 来生成整个视频序列的图像。通过帧间注意力机制，前景物体的身份和外观能够在视频序列中保留。不仅如此，作者还对生成的视频序列应用了背景平滑技术。具体来说，作者应用显著指标检测来取得每一帧 k 中暗示了前景像素的掩码，并应用第一帧变换到第 k 帧的潜在编码 和潜在编码 来进一步提高掩码 中背景局部的工夫一致性。该办法的整体架构图如下：
图 1 Text2Video-Zero 模型的整体架构图
因为 Text2Video-Zero 是一种通过对文本 - 图像模型进行零样本微调来生成视频的 AIGC 模型。因而，本我的项目会波及到很多预训练的文本 - 图像生成模型，包含 Stable Diffusion V1.5、Instruct-Pix2Pix、ControlNet 和张一乔老师（AI Studio 昵称为笠雨聆月）的诺艾尔 Dreambooth 模型。其中，Stable Diffusion V1.5 模型用于文本 - 视频生成，Instruct-Pix2Pix 模型用于文本 - 视频编辑，ControlNet 模型用于姿势疏导的文本 - 视频生成，边缘疏导的文本 - 视频生成和深度图疏导的文本 - 视频生成，诺艾尔 Dreambooth 模型用于边缘疏导和 Dreambooth 定制的文本视频生成。所有开源模型附在文章最初，在此也对所有开源贡献者示意衷心感谢。
静止动力学外围代码
1def create_motion_field(self, motion_field_strength_x, motion_field_strength_y, frame_ids, video_length, latents):
2 reference_flow = paddle.zeros(3 (video_length-1, 2, 512, 512), dtype=latents.dtype)
4 for fr_idx, frame_id in enumerate(frame_ids):
5 reference_flow[fr_idx, 0, :,
6 :] = motion_field_strength_x*(frame_id)
7 reference_flow[fr_idx, 1, :,
8 :] = motion_field_strength_y*(frame_id)
9 return reference_flow
10
11def create_motion_field_and_warp_latents(self, motion_field_strength_x, motion_field_strength_y, frame_ids, video_length, latents):
12 motion_field = self.create_motion_field(motion_field_strength_x=motion_field_strength_x,
13 motion_field_strength_y=motion_field_strength_y, latents=latents,
14 video_length=video_length, frame_ids=frame_ids)
15 for idx, latent in enumerate(latents):
16 out = self.warp_latents_independently(17 latent[None], motion_field)
18 out = out.squeeze(0)
19 latents[idx]=out
20 return motion_field, latents
21
22x_t0_k = x_t0_1[:, :, :1, :, :].tile([1, 1, video_length-1, 1, 1])
23reference_flow, x_t0_k = self.create_motion_field_and_warp_latents(24 motion_field_strength_x=motion_field_strength_x, motion_field_strength_y=motion_field_strength_y, latents=x_t0_k, video_length=video_length, frame_ids=frame_ids[1:])
25if t1 > t0:
26 x_t1_k = self.DDPM_forward(27 x0=x_t0_k, t0=t0, tMax=t1, shape=shape, text_embeddings=text_embeddings, generator=generator)
28else:
29 x_t1_k = x_t0_k
30if x_t1_1 is None:
31 raise Exception
32x_t1 = paddle.concat([x_t1_1, x_t1_k], axis=2).clone().detach()
33ddim_res = self.DDIM_backward(num_inference_steps=num_inference_steps, timesteps=timesteps, skip_t=t1, t0=-1, t1=-1,
34 do_classifier_free_guidance=do_classifier_free_guidance,
35 null_embs=null_embs, text_embeddings=text_embeddings, latents_local=x_t1, latents_dtype=dtype,
36 guidance_scale=guidance_scale,
37 guidance_stop_step=guidance_stop_step, callback=callback, callback_steps=callback_steps, extra_step_kwargs=extra_step_kwargs, num_warmup_steps=num_warmup_steps)
38x0 = ddim_res["x0"].detach()帧间注意力机制外围代码
1class CrossFrameAttnProcessor:
2 def __init__(self, unet_chunk_size=2):
3 self.unet_chunk_size = unet_chunk_size
4
5 def __call__(
6 self,
7 attn,
8 hidden_states,
9 encoder_hidden_states=None,
10 attention_mask=None):
11 batch_size, sequence_length, _ = hidden_states.shape
12 attention_mask = attn.prepare_attention_mask(attention_mask, sequence_length, batch_size)
13 query = attn.to_q(hidden_states)
14 is_cross_attention = encoder_hidden_states is not None
15 if encoder_hidden_states is None:
16 encoder_hidden_states = hidden_states
17 elif attn.cross_attention_norm:
18 encoder_hidden_states = attn.norm_cross(encoder_hidden_states)
19 key = attn.to_k(encoder_hidden_states)
20 value = attn.to_v(encoder_hidden_states)
21 if not is_cross_attention:
22 video_length = key.shape[0] // self.unet_chunk_size
23 former_frame_index = [0] * video_length
24 f = video_length
25 b_f, d, c = key.shape
26 b = b_f//f
27 key = key.reshape([b,f, d, c])
28 key = paddle.gather(key, paddle.to_tensor(former_frame_index), axis=1)
29 key = key.reshape([-1,d,c])
30 b_f, d, c = value.shape
31 b = b_f//f
32 value = value.reshape([b,f,d,c])
33 value = paddle.gather(value, paddle.to_tensor(former_frame_index), axis=1)
34 value = value.reshape([-1,d,c])
35 query = head_to_batch_dim(query,attn.heads)
36 key = head_to_batch_dim(key,attn.heads)
37 value = head_to_batch_dim(value,attn.heads)
38 attention_probs = attn.get_attention_scores(query, key, attention_mask)
39 hidden_states = paddle.bmm(attention_probs, value)
40 hidden_states = batch_to_head_dim(hidden_states, attn.heads)
41 hidden_states = attn.to_out[0](hidden_states)
42 hidden_states = attn.to_out[1](hidden_states)
43 return hidden_states开发环境与实现过程
PPDiffusers 介绍
PPDiffusers 是一款反对多种模态（如文本图像跨模态、图像、语音）扩散模型（Diffusion Model）训练和推理的国产化工具箱。依靠于飞桨框架和 PaddleNLP 自然语言解决开发库，PPDiffusers 提供了超过 50 种 SOTA 扩散模型 Pipelines 汇合，反对文图生成（Text-to-Image Generation）、文本疏导的图像编辑（Text-Guided Image Inpainting）、文本疏导的图像变换（Image-to-Image Text-Guided Generation）、文本条件视频生成（Text-to-Video Generation）、超分（Super Resolution）在内的 10 余项工作，笼罩文本、图像、视频、音频等多种模态。2023 年 06 月 20 日，飞桨正式公布 PPDiffusers 0.16.1 版本，新增 T2I-Adapter，反对训练与推理；ControlNet 降级，反对 reference only 推理；新增 WebUI Stable Diffusion Pipeline，反对通过 prompt 的形式动静加载 lora、textual_inversion 权重；新增 Stable Diffusion HiresFix Pipeline，反对高分辨率修复；新增关键点管制生成工作评估指标 COCO eval；新增多种模态扩散模型 Pipelines，包含视频生成（Text-to-Video-Synth、Text-to-Video-Zero）、音频生成（AudioLDM、Spectrogram Diffusion）；新增文图生成模型 IF。
GitHub 链接
https://github.com/PaddlePaddle/PaddleNLP/tree/develop/ppdiffusers
装置指令
PPDiffusers 的装置指令如下：
1!pip install --user ftfy regex
2!pip install --user --upgrade ppdiffusers在此基础上，也可抉择其余环境装置：
1!pip install decord
2!pip install omegaconf
3!pip install --user scikit-image实现成果
文本 - 视频生成成果
依据用户输出的文本提醒词生成相应视频。
推理代码：
1model = Model(device = "cuda", dtype = paddle.float16)
2paddle.seed(1234)
3prompt = "An astronaut dancing in Antarctica"
4video_length = 2
5params = {"t0": 44, "t1": 47 , "motion_field_strength_x" : 12, "motion_field_strength_y" : 12, "video_length": video_length}
6output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video"
7save_format = "gif"
8out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)
9fps = 4
10chunk_size = 4
11model_path = "/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"
12model.process_text2video(prompt, model_name = model_path, fps = fps,save_path = out_path,save_format=save_format,chunk_size= chunk_size ,is_gradio = False, **params)最终出现的成果如图 2 所示：
图 2 文本视频生成成果
文本 - 视频编辑成果
依据用户输出的文本提醒词对视频进行编辑。
推理代码：
1model = Model(device = "cuda", dtype = paddle.float16)
2paddle.seed(1234)
3prompt = "make it Van Gogh Starry Night style"
4video_path = '__assets__/pix2pix video/camel.mp4'
5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/video_instruct_pix2pix"
6save_format = "gif"
7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)
8chunk_size = 8
9model_path = "/home/aistudio/instruct_Pix2Pix/timbrooks/instruct-pix2pix"
10model.process_pix2pix(video_path, prompt=prompt, resolution=384,model_path = model_path,chunk_size= chunk_size ,save_path=out_path,save_format=save_format,is_gradio = False)最终出现的成果如图 3 所示：
图 3 文本视频编辑成果
文本 - 视频编辑成果
依据用户输出的文本提醒和静止姿势生成相应视频。
推理代码如下：
1model = Model(device = "cuda", dtype = paddle.float16)
2paddle.seed(1234)
3prompt = "an astronaut dancing in outer space"
4motion_video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_pose_control/dance5_corr.mp4'
5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_pose_control"
6save_format = "gif"
7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)
8stable_diffision_path="/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"
9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-openpose"
10model.process_controlnet_pose( motion_video_path, prompt=prompt, save_path=out_path,save_format=save_format,\
11chunk_size= 24, resolution=384,model_path_list=[stable_diffision_path,controlnet_path])最终出现的成果如图 4 所示：
图 4 姿势疏导的文本 - 视频生成成果
边缘疏导的文本 - 视频生成
推理代码如下：
1model = Model(device = "cuda", dtype = paddle.float16)
2paddle.seed(1234)
3prompt = 'oil painting of a deer, a high-quality, detailed, and professional photo'
4video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_edge_control/deer.mp4'
5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_edge_control"
6save_format = "gif"
7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)
8stable_diffision_path="/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"
9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-canny"
10model.process_controlnet_canny(video_path, prompt=prompt, save_path=out_path,save_format=save_format,\
11chunk_size= 16, resolution=384,model_path_list=[stable_diffision_path,controlnet_path])最终出现的成果如图 5 所示：
图 5 边缘疏导的文本 - 视频生成成果
深度图疏导的文本 - 视频生成
依据用户输出的文本提醒和深度图生成相应视频。
推理代码如下：
1model = Model(device = "cuda", dtype = paddle.float16)
2paddle.seed(1234)
3prompt = 'a santa claus, a high-quality, detailed, and professional photo'
4video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_depth_control/santa.mp4'
5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_depth_control"
6save_format = "gif"
7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)
8stable_diffision_path="/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"
9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-depth"
10model.process_controlnet_depth(video_path, prompt=prompt, save_path=out_path,save_format = save_format,\
11chunk_size= 16, resolution=384,model_path_list=[stable_diffision_path,controlnet_path])最终出现的成果如图 6 所示：
图 6 深度图疏导的文本 - 视频生成成果
边缘疏导和 Dreambooth 定制的文本 - 视频生成
依据用户输出的文本提醒、图像边缘和 Dreambooth 定制化模型生成相应视频。
推理代码如下所示：
1model = Model(device = "cuda", dtype = paddle.float16)
2paddle.seed(1234)
3prompt = "Noelle with cat ears, blue hair"
4video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_dreambooth/woman1.mp4'
5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_dreambooth"
6save_format = "gif"
7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)
8dreambooth_model_path= '/home/aistudio/dream_outputs'
9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-canny"
10model.process_controlnet_canny_db(dreambooth_model_path, video_path, prompt=prompt, save_path=out_path,\
11 save_format=save_format,chunk_size= 16, resolution=384, model_path_list=[controlnet_path])最终出现的成果如图 7 所示：
图 7 边缘疏导和 Dreambooth specialization 定制的文本 - 视频生成
结语
以上是本我的项目对 Text2Video-Zero 官网我的项目的全副实现。现有的文本 - 视频生成办法大多用于为用户提供灵感，很难为用户提供定制化视频生成服务。通过静止动力学、帧间注意力机制等技术手段对原始的文本 - 图像模型进行批改，Text2Video-Zero 很好地解决了上述问题，能够基于用户提供的文本提醒、待编辑视频、静止姿势、边缘图像、深度图像和 Dreambooth 模型进行文本视频生成。该办法在无需训练的状况下，对支流的文本 - 图像生成模型进行微调，这意味着用户只须要训练出相应的文本 - 图像生成模型，就能够进行定制化的文本 - 视频生成，展示了 Text2Video-Zero 在文本 - 视频生成畛域微小的后劲。欢送更多感兴趣的开发者参加到飞桨文本 - 视频生成生态的建设中，并依靠百度飞桨 AI 技术开发出更多乏味的利用。
参考文献
[1] https://github.com/Picsart-AI-Research/Text2Video-Zero
[2] https://github.com/showlab/Tune-A-Video
[3] https://github.com/PaddlePaddle/PaddleNLP/tree/develop/ppdiffusers
[4] https://aistudio.baidu.com/aistudio/projectdetail/5972296
[5] https://aistudio.baidu.com/aistudio/projectdetail/5912535
往期举荐
- 报名开启！2023 大模型利用翻新挑战赛来啦
