如何生成高難度、指令超復(fù)雜的視頻呢？
北大與快手AI有解了，他們提出新框架VideoTetris，就像拼俄羅斯方塊一樣，輕松組合各種細(xì)節(jié)~
在復(fù)雜視頻生成任務(wù)中，超過了Pika，Gen-2等一眾商用模型。
這個(gè)框架不僅能夠直接增強(qiáng)現(xiàn)有模型的組合生成，還能夠支持涵蓋多復(fù)雜指令、多場(chǎng)景變更等更高難度的長(zhǎng)視頻生成。
首次定義組合視頻生成
在文生圖領(lǐng)域，RPG、Omost等項(xiàng)目已經(jīng)實(shí)現(xiàn)了復(fù)雜的組合式多物體多場(chǎng)景圖片生成。而在文生視頻領(lǐng)域，組合生成自然地?cái)U(kuò)展到時(shí)間和空間維度，這樣的場(chǎng)景還未被廣泛探索。
團(tuán)隊(duì)首次定義了組合視頻生成任務(wù)，包括兩個(gè)子任務(wù)：
1、跟隨復(fù)雜組合指令的視頻生成。2、跟隨遞進(jìn)的組合式多物體指令的長(zhǎng)視頻生成。
目前經(jīng)團(tuán)隊(duì)測(cè)試發(fā)現(xiàn)，幾乎所有開源模型，包括商用模型在內(nèi)都未能生成正確的視頻。
比如輸入“左邊一個(gè)可愛的棕色狗狗，右邊一只打盹的貓?jiān)陉?yáng)光下小憩”，結(jié)果生成的都是融合了兩個(gè)物體信息的奇怪視頻。
而使用VideoTetris，生成出的視頻是這樣，成功保留了所有的位置信息和細(xì)節(jié)特征。
在長(zhǎng)視頻生成中，目前的方法支持的可變指令目前還停留在“春夏秋冬”的轉(zhuǎn)化，或單物體從走到跑到騎馬的場(chǎng)景變化階段。
團(tuán)隊(duì)輸入一個(gè)簡(jiǎn)單的多指令：“從一只可愛的棕色松鼠在一堆榛子上過渡到一只可愛的棕色松鼠和一只可愛的白色松鼠在一堆榛子上”。
結(jié)果VideoTetris成功搞定，出現(xiàn)順序也與Prompt一致，最后兩只松鼠還在自然地交換食物。
