字节跳动推出超高清文生视频模型，效果比Gen-2更强！

gythy1978

字节跳动的研究人员开发了一种超高清文生视频模型MagicVideo-V2。

MagicVideo-V2公布的实验评测数据显示，视频的高清度、润滑度、连贯性、文本语义还原等方面，比目前主流的文生视频模型Gen-2、Stable Video Diffusion、Pika 1.0等更出色。

这是因为，MagicVideo-V2将文生图像、图像生成视频、视频到视频和视频帧插值4种功能整合到一个模型中，解决了之前面临的4大难题。

论文地址：https://arxiv.org/abs/2401.04468


项目地址：https://magicvideov2.github.io/

随着Gen-2等模型的出现，文生视频领域实现飞速发展，尤其是在这个短视频时代被大量用户应用。但是在生成的过程中，模型经常面临4个难题。

视频不美观，由于多数是采用公开训练数据，生成的视频经常会出现劣质的情况；内容不一致，在生成视频的过程中，无法精准还原文本提示的内容；

视觉质量和清晰度较差：如何将用户的文本提示，转化为高清、精准高质量视频很难；

视频运动不连贯，多数模型无法在生成的关键帧之间，插入额外的帧，使视频的运动更加自然和连贯性。

所以，字节跳动的研究人员直接将4个模块整合在MagicVideo-V2模型中，一一解决了这些难题。

文生图像

文生图像模块（Text-to-Image, T2I）主要用于接收用户提供的文本描述作为输入，并生成一个1024×1024像素的图像作为视频生成的参考图像。这有助于增强视频的内容和美学风格。

T2I模型采用基于扩散的生成模型，通过多个迭代步骤逐渐生成高质量的图像，同时可以学习到从文本描述到图像的映射关系，从而生成与文本描述相符的精美图像。

图像到视频

该模块基于SD1.5模型，通过人类反馈来提高模型在视觉质量和内容一致性方面的能力。图像到视频模块还使用了一个参考图像嵌入模块，用于利用参考图像。

具体来说，研究人员使用了一种外观编码器来提取参考图像的嵌入，并通过交叉注意机制将其注入到图像到视频模块中。

这样，图像提示可以有效地与文本提示解耦，并提供更强的图像条件。此外，使用了潜在噪声先验策略，通过在起始噪声潜变量中引入适当的噪声先验技巧，保留部分图像布局，改善帧之间的时间连贯性。

视频到视频

该模块进一步对低分辨率视频的关键帧进行优化和超分辨率处理，以生成高分辨率的视频。

简单来说，就像照相机的美颜功能,会根据图像内容自动生成更丰富的像素级细节,增强整体逼真度与纹理细节。

这也是比其他文生视频模型更高清的重要原因之一。

视频帧插值

该模块可以在生成的视频关键帧之间插入额外的帧，增加视频的平滑性、动态感以及连贯性。

主要通过分析相邻关键帧之间的运动信息，以及参考图像和文本描述，插入中间帧，使视频的运动更加连续和自然。

测试数据

为了评估 MagicVideo-V2的性能，研究人员使用了人类评估和目前最先进的 T2V 系统两种评估方法。

分别由61位评估者组成的小组对 MagicVideo-V2 和另一种 T2V 方法进行了 500 次并排比较。

在每一轮比较中，每位投票者都会看到一对随机的视频，包括基于相同文本提示的一个大家的视频和一个竞争对手的视频。他们会看到三个评估选项--"好"、"一样 "或 "坏"--分别表示偏好 MagicVideo-V2、无偏好或偏好竞争的 T2V 方法。

投票者需要根据他们对三个标准的总体偏好进行投票：1) 哪种视频具有更高的帧质量和整体视觉吸引力。2) 哪种视频的时间一致性更高，运动范围和运动连贯性性更好。

3) 哪个视频的结构错误或不良情况更少。测试结果表明，MagicVideo-V2 明显更受评估者青睐。