基于CogVideoX-2B，视觉一致和语义对齐超越最新SOTA！南洋理工等发布RepVideo

文章主旨：

RepVideo通过增强视频表示的稳定性和细节性，显著提升文本到视频扩散模型的时间一致性和空间质量。

关键要点：

• 现有视频扩散模型因注意力图随层变化显著导致空间语义碎片化和时间一致性降低。
• 提出RepVideo框架，利用特征缓存模块和门控机制增强视频表示，解决上述问题。
• 实验表明RepVideo在时间稳定性、空间细节和生成视频质量方面优于基准模型。
• RepVideo的特征聚合机制和门控机制动态平衡语义增强与层特定细节，减少视频伪影。
• 尽管取得显著进展，但仍需优化计算成本及提升对复杂场景的适应性。

内容结构：

解决的问题：

视频生成中，生成具有时空一致性和高质量空间细节的视频是一项复杂的挑战。现有模型在注意力图的层间变化上存在显著差异，导致特征表示不稳定，影响时序一致性和视频质量。

提出的方案：

RepVideo框架利用特征缓存模块和门控机制聚合和稳定中间表示，通过累积相邻层特征形成增强的视频表示，提升语义稳定性和视频生成质量。

应用的技术：

• 特征缓存模块：跨多个相邻Transformer层聚合特征，获得稳定的语义表示。
• 门控机制：结合聚合后的表示与原始输入动态生成增强特征输入。
• 扩展注意力机制：利用不同层间特征差异丰富视频的语义一致性和空间细节。

达到的效果：

• 时序一致性：增强表示提高帧间特征一致性，减少伪影现象。
• 空间细节：增强特征输入使生成的视频更细致，捕捉复杂空间关系。
• 视频质量提升：实验验证在定性和定量指标上显著改善生成视频效果。

实验与评估：

• 自动评估：通过VBench指标，RepVideo在运动平滑度、物体类别和空间关系方面显著优于基准模型。
• 人工评估：评估者更偏好RepVideo生成的视频，强调其在时间一致性和空间细节上的优势。
• 消融实验：验证特征聚合和门控机制对于改善时间一致性和空间细节的关键作用。

讨论与未来方向：

尽管RepVideo取得了显著进展，仍需优化计算成本、提升对复杂场景的适应性，以及探索实时特征聚合机制。

结论：

RepVideo通过增强中间表示稳定性，显著提升文本到视频扩散模型的时间一致性和空间细节，代表了视频生成领域的重要进展。

文章总结：

RepVideo展示了文本到视频生成模型的创新性突破，为未来在动态场景中生成高质量视频提供了坚实基础。

警惕，90%企业困在「需求沼泽」里

了解更多

AI生成未来

查看原文：基于CogVideoX-2B，视觉一致和语义对齐超越最新SOTA！南洋理工等发布RepVideo

文章来源：

AI生成未来

扫码关注公众号