文章來源：AIGC開放社區(qū)

字節(jié)跳動的研究人員開發(fā)了一種超高清文生視頻模型MagicVideo-V2。

MagicVideo-V2公布的實驗評測數(shù)據(jù)顯示，視頻的高清度、潤滑度、連貫性、文本語義還原等方面，比目前主流的文生視頻模型Gen-2、Stable Video Diffusion、Pika 1.0等更出色。

這是因為，MagicVideo-V2將文生圖像、圖像生成視頻、視頻到視頻和視頻幀插值4種功能整合到一個模型中，解決了之前面臨的4大難題。

論文地址：https://arxiv.org/abs/2401.04468

項目地址：https://magicvideov2.github.io/

隨著Gen-2等模型的出現(xiàn)，文生視頻領域實現(xiàn)飛速發(fā)展，尤其是在這個短視頻時代被大量用戶應用。但是在生成的過程中，模型經常面臨4個難題。

視頻不美觀，由于多數(shù)是采用公開訓練數(shù)據(jù)，生成的視頻經常會出現(xiàn)劣質的情況；

內容不一致，在生成視頻的過程中，無法精準還原文本提示的內容；

視覺質量和清晰度較差：如何將用戶的文本提示，轉化為高清、精準高質量視頻很難；

視頻運動不連貫，多數(shù)模型無法在生成的關鍵幀之間，插入額外的幀，使視頻的運動更加自然和連貫性。

所以，字節(jié)跳動的研究人員直接將4個模塊整合在MagicVideo-V2模型中，一一解決了這些難題。

文生圖像

文生圖像模塊（Text-to-Image, T2I）主要用于接收用戶提供的文本描述作為輸入，并生成一個1024×1024像素的圖像作為視頻生成的參考圖像。這有助于增強視頻的內容和美學風格。

T2I模型采用基于擴散的生成模型，通過多個迭代步驟逐漸生成高質量的圖像，同時可以學習到從文本描述到圖像的映射關系，從而生成與文本描述相符的精美圖像。

圖像到視頻

該模塊基于SD1.5模型，通過人類反饋來提高模型在視覺質量和內容一致性方面的能力。圖像到視頻模塊還使用了一個參考圖像嵌入模塊，用于利用參考圖像。

具體來說，研究人員使用了一種外觀編碼器來提取參考圖像的嵌入，并通過交叉注意機制將其注入到圖像到視頻模塊中。

這樣，圖像提示可以有效地與文本提示解耦，并提供更強的圖像條件。此外，使用了潛在噪聲先驗策略，通過在起始噪聲潛變量中引入適當?shù)脑肼曄闰灱记桑Ａ舨糠謭D像布局，改善幀之間的時間連貫性。

視頻到視頻

該模塊進一步對低分辨率視頻的關鍵幀進行優(yōu)化和超分辨率處理，以生成高分辨率的視頻。

簡單來說，就像照相機的美顏功能,會根據(jù)圖像內容自動生成更豐富的像素級細節(jié),增強整體逼真度與紋理細節(jié)。

這也是比其他文生視頻模型更高清的重要原因之一。

視頻幀插值

該模塊可以在生成的視頻關鍵幀之間插入額外的幀，增加視頻的平滑性、動態(tài)感以及連貫性。

主要通過分析相鄰關鍵幀之間的運動信息，以及參考圖像和文本描述，插入中間幀，使視頻的運動更加連續(xù)和自然。

測試數(shù)據(jù)

為了評估 MagicVideo-V2的性能，研究人員使用了人類評估和目前最先進的 T2V 系統(tǒng)兩種評估方法。

分別由61位評估者組成的小組對 MagicVideo-V2 和另一種 T2V 方法進行了 500 次并排比較。

在每一輪比較中，每位投票者都會看到一對隨機的視頻，包括基于相同文本提示的一個我們的視頻和一個競爭對手的視頻。他們會看到三個評估選項--"好"、"一樣 "或 "壞"--分別表示偏好 MagicVideo-V2、無偏好或偏好競爭的 T2V 方法。

投票者需要根據(jù)他們對三個標準的總體偏好進行投票：

1) 哪種視頻具有更高的幀質量和整體視覺吸引力。

2) 哪種視頻的時間一致性更高，運動范圍和運動連貫性性更好。

3) 哪個視頻的結構錯誤或不良情況更少。測試結果表明，MagicVideo-V2 明顯更受評估者青睞。