Personalizzazione multi-soggetto in un contesto aperto nella generazione di video

Multi-subject Open-set Personalization in Video Generation

January 10, 2025
Autori: Tsai-Shien Chen, Aliaksandr Siarohin, Willi Menapace, Yuwei Fang, Kwot Sin Lee, Ivan Skorokhodov, Kfir Aberman, Jun-Yan Zhu, Ming-Hsuan Yang, Sergey Tulyakov
cs.AI

Abstract

I metodi di personalizzazione video ci permettono di sintetizzare video con concetti specifici come persone, animali domestici e luoghi. Tuttavia, i metodi esistenti spesso si concentrano su domini limitati, richiedono un'ottimizzazione che richiede tempo per soggetto o supportano solo un singolo soggetto. Presentiamo Video Alchemist - un modello video con capacità di personalizzazione multi-soggetto di tipo open-set integrate sia per gli oggetti in primo piano che per lo sfondo, eliminando la necessità di un'ottimizzazione che richiede tempo al momento del test. Il nostro modello si basa su un nuovo modulo Diffusion Transformer che fonde ciascuna immagine di riferimento condizionale e il relativo prompt di testo a livello di soggetto con strati di cross-attention. Lo sviluppo di un modello così grande presenta due sfide principali: dataset e valutazione. In primo luogo, poiché i dataset accoppiati di immagini di riferimento e video sono estremamente difficili da raccogliere, campioniamo frame video selezionati come immagini di riferimento e sintetizziamo un frammento del video target. Tuttavia, mentre i modelli possono facilmente denoizzare i video di addestramento dati i frame di riferimento, falliscono nel generalizzare a nuovi contesti. Per attenuare questo problema, progettiamo un nuovo flusso di lavoro automatico per la costruzione dei dati con ampie aumentazioni delle immagini. In secondo luogo, valutare la personalizzazione video di tipo open-set è di per sé una sfida. Per affrontare questo problema, introduciamo un benchmark di personalizzazione che si concentra sulla fedeltà soggettiva accurata e supporta scenari di personalizzazione diversificati. Infine, i nostri ampi esperimenti mostrano che il nostro metodo supera significativamente i metodi di personalizzazione esistenti sia nelle valutazioni quantitative che qualitative.
English
Video personalization methods allow us to synthesize videos with specific concepts such as people, pets, and places. However, existing methods often focus on limited domains, require time-consuming optimization per subject, or support only a single subject. We present Video Alchemist - a video model with built-in multi-subject, open-set personalization capabilities for both foreground objects and background, eliminating the need for time-consuming test-time optimization. Our model is built on a new Diffusion Transformer module that fuses each conditional reference image and its corresponding subject-level text prompt with cross-attention layers. Developing such a large model presents two main challenges: dataset and evaluation. First, as paired datasets of reference images and videos are extremely hard to collect, we sample selected video frames as reference images and synthesize a clip of the target video. However, while models can easily denoise training videos given reference frames, they fail to generalize to new contexts. To mitigate this issue, we design a new automatic data construction pipeline with extensive image augmentations. Second, evaluating open-set video personalization is a challenge in itself. To address this, we introduce a personalization benchmark that focuses on accurate subject fidelity and supports diverse personalization scenarios. Finally, our extensive experiments show that our method significantly outperforms existing personalization methods in both quantitative and qualitative evaluations.

Summary

AI-Generated Summary

Panoramica del Paper

Il paper presenta il modello Video Alchemist per la generazione video personalizzata multi-soggetto e open-set, superando i metodi esistenti sia nelle valutazioni quantitative che qualitative.

Contributo Principale

  • Introduzione del modello Video Alchemist per la generazione video personalizzata multi-soggetto e open-set.
  • Utilizzo del modulo Diffusion Transformer per integrare immagini condizionali e prompt a livello di soggetto attraverso cross-attention.
  • Proposta di un nuovo benchmark di personalizzazione per valutare la fedeltà soggetto e supportare scenari diversificati.

Contesto della Ricerca

  • Il modello si colloca nell'ambito della generazione video personalizzata, affrontando sfide legate alla raccolta dati e valutazione.
  • Si propone un nuovo approccio per la costruzione automatica dei dati e l'aumento delle immagini per affrontare la mancanza di dataset accoppiati.

Parole Chiave

Diffusion Transformer, Personalizzazione Multi-Soggetto, Benchmark di Personalizzazione, Cross-Attention, Generazione Video.

Contesto

Il paper affronta la generazione video personalizzata multi-soggetto e open-set, proponendo soluzioni per la mancanza di dataset accoppiati e per la valutazione della fedeltà soggetto.

Gap nella Ricerca

  • Mancanza di dataset accoppiati di immagini di riferimento e video per la generazione personalizzata.
  • Limitazioni nei metodi esistenti per valutare la personalizzazione multi-soggetto.

Sfide Tecniche

  • Raccolta dei dati e valutazione della fedeltà soggetto.
  • Overfitting del modello e necessità di tecniche di data augmentation.

Approcci Precedenti

  • Utilizzo di modelli di generazione video e personalizzazione soggetto.
  • Metodi di valutazione basati su metriche quantitative e qualitative.

Metodologia

Il modello si basa su un Diffusion Transformer che integra immagini condizionali e prompt a livello di soggetto tramite cross-attention, affrontando l'overfitting e introducendo un benchmark di valutazione.

Fondamenti Teorici

  • Utilizzo di un Diffusion Transformer latente per la generazione video personalizzata.
  • Incorporazione di prompt di testo, immagini di riferimento e parole entità per la personalizzazione multi-soggetto.

Architettura Tecnica

  • Blocco DiT con autoattenzione multi-testa e cross-attenzioni per testo e personalizzazione.
  • Encoder condiviso per immagine e encoder di testo per la fusione delle informazioni.

Dettagli Implementativi

  • Addestramento in due fasi con cross-attention per il condizionamento del testo e la personalizzazione.
  • Utilizzo di tecniche di data augmentation per mitigare l'overfitting.

Punti Innovativi

  • Introduzione di un benchmark di personalizzazione e un nuovo pipeline di costruzione dati.
  • Utilizzo di embedding di personalizzazione per il binding tra immagini e parole entità.

Validazione Sperimentale

L'esperimento include la costruzione del dataset, metriche di valutazione, risultati sperimentali e confronti con modelli esistenti.

Configurazione

  • Dataset costruito in tre fasi: recupero parole entità, preparazione immagini soggetti e sfondo.
  • Utilizzo di MSRVTT-Personalization benchmark per valutare la personalizzazione.

Metriche

  • Valutazione quantitativa e qualitativa della generazione video personalizzata.
  • Ablation study per valutare scelte di addestramento e architettura.

Risultati

  • Superamento significativo dei metodi esistenti nelle valutazioni quantitative e qualitative.
  • Evidenziazione dell'importanza del binding tra concetti di immagine e parole entità.

Analisi Comparativa

  • Confronto con baselines su diversi soggetti condizionali.
  • Mostrati risultati visivi e confronti qualitativi con modelli all'avanguardia.

Impatto e Implicazioni

Il modello Video Alchemist offre una generazione video personalizzata avanzata, superando le limitazioni dei metodi esistenti e aprendo nuove direzioni di ricerca.

Principali Risultati

  • Miglioramento significativo rispetto ai metodi esistenti in termini quantitativi e qualitativi.
  • Necessità di affrontare il rischio di overfitting e migliorare la qualità visiva dei video generati.

Limitazioni

  • Possibilità di overfitting e necessità di migliorare la qualità visiva.
  • Problemi di composizione non naturale per la personalizzazione multi-soggetto.

Futuri Sviluppi

  • Esplorare misure di qualità video aggiuntive come il punteggio di similarità CLIP.
  • Valutare la qualità visiva attraverso studi utente e approcci alternativi.

Significato Pratico

  • Applicazioni pratiche della generazione video personalizzata multi-soggetto.
  • Utilizzo di immagini segmentate per migliorare la sintesi video personalizzata.

Articoli in Evidenza

DeepSeek-R1: Incentivizzare la capacità di ragionamento nei LLM tramite Apprendimento per Rinforzo
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

DeepSeek-AI, Daya Guo, Dejian Yang, Haowei Zhang, Junxiao Song, Ruoyu Zhang, Runxin Xu, Qihao Zhu, Shirong Ma, Peiyi Wang, Xiao Bi, Xiaokang Zhang, Xingkai Yu, Yu Wu, Z. F. Wu, Zhibin Gou, Zhihong Shao, Zhuoshu Li, Ziyi Gao, Aixin Liu, Bing Xue, Bingxuan Wang, Bochao Wu, Bei Feng, Chengda Lu, Chenggang Zhao, Chengqi Deng, Chenyu Zhang, Chong Ruan, Damai Dai, Deli Chen, Dongjie Ji, Erhang Li, Fangyun Lin, Fucong Dai, Fuli Luo, Guangbo Hao, Guanting Chen, Guowei Li, H. Zhang, Han Bao, Hanwei Xu, Haocheng Wang, Honghui Ding, Huajian Xin, Huazuo Gao, Hui Qu, Hui Li, Jianzhong Guo, Jiashi Li, Jiawei Wang, Jingchang Chen, Jingyang Yuan, Junjie Qiu, Junlong Li, J. L. Cai, Jiaqi Ni, Jian Liang, Jin Chen, Kai Dong, Kai Hu, Kaige Gao, Kang Guan, Kexin Huang, Kuai Yu, Lean Wang, Lecong Zhang, Liang Zhao, Litong Wang, Liyue Zhang, Lei Xu, Leyi Xia, Mingchuan Zhang, Minghua Zhang, Minghui Tang, Meng Li, Miaojun Wang, Mingming Li, Ning Tian, Panpan Huang, Peng Zhang, Qiancheng Wang, Qinyu Chen, Qiushi Du, Ruiqi Ge, Ruisong Zhang, Ruizhe Pan, Runji Wang, R. J. Chen, R. L. Jin, Ruyi Chen, Shanghao Lu, Shangyan Zhou, Shanhuang Chen, Shengfeng Ye, Shiyu Wang, Shuiping Yu, Shunfeng Zhou, Shuting Pan, S. S. Li, Shuang Zhou, Shaoqing Wu, Shengfeng Ye, Tao Yun, Tian Pei, Tianyu Sun, T. Wang, Wangding Zeng, Wanjia Zhao, Wen Liu, Wenfeng Liang, Wenjun Gao, Wenqin Yu, Wentao Zhang, W. L. Xiao, Wei An, Xiaodong Liu, Xiaohan Wang, Xiaokang Chen, Xiaotao Nie, Xin Cheng, Xin Liu, Xin Xie, Xingchao Liu, Xinyu Yang, Xinyuan Li, Xuecheng Su, Xuheng Lin, X. Q. Li, Xiangyue Jin, Xiaojin Shen, Xiaosha Chen, Xiaowen Sun, Xiaoxiang Wang, Xinnan Song, Xinyi Zhou, Xianzu Wang, Xinxia Shan, Y. K. Li, Y. Q. Wang, Y. X. Wei, Yang Zhang, Yanhong Xu, Yao Li, Yao Zhao, Yaofeng Sun, Yaohui Wang, Yi Yu, Yichao Zhang, Yifan Shi, Yiliang Xiong, Ying He, Yishi Piao, Yisong Wang, Yixuan Tan, Yiyang Ma, Yiyuan Liu, Yongqiang Guo, Yuan Ou, Yuduan Wang, Yue Gong, Yuheng Zou, Yujia He, Yunfan Xiong, Yuxiang Luo, Yuxiang You, Yuxuan Liu, Yuyang Zhou, Y. X. Zhu, Yanhong Xu, Yanping Huang, Yaohui Li, Yi Zheng, Yuchen Zhu, Yunxian Ma, Ying Tang, Yukun Zha, Yuting Yan, Z. Z. Ren, Zehui Ren, Zhangli Sha, Zhe Fu, Zhean Xu, Zhenda Xie, Zhengyan Zhang, Zhewen Hao, Zhicheng Ma, Zhigang Yan, Zhiyu Wu, Zihui Gu, Zijia Zhu, Zijun Liu, Zilin Li, Ziwei Xie, Ziyang Song, Zizheng Pan, Zhen Huang, Zhipeng Xu, Zhongyu Zhang, Zhen ZhangJan 22, 20253685

Rapporto Tecnico Qwen2.5
Qwen2.5 Technical Report

Qwen, An Yang, Baosong Yang, Beichen Zhang, Binyuan Hui, Bo Zheng, Bowen Yu, Chengyuan Li, Dayiheng Liu, Fei Huang, Haoran Wei, Huan Lin, Jian Yang, Jianhong Tu, Jianwei Zhang, Jianxin Yang, Jiaxi Yang, Jingren Zhou, Junyang Lin, Kai Dang, Keming Lu, Keqin Bao, Kexin Yang, Le Yu, Mei Li, Mingfeng Xue, Pei Zhang, Qin Zhu, Rui Men, Runji Lin, Tianhao Li, Tingyu Xia, Xingzhang Ren, Xuancheng Ren, Yang Fan, Yang Su, Yichang Zhang, Yu Wan, Yuqiong Liu, Zeyu Cui, Zhenru Zhang, Zihan QiuDec 19, 202436311

MiniMax-01: Scalare i modelli di base con attenzione lampeggiante
MiniMax-01: Scaling Foundation Models with Lightning Attention

MiniMax, Aonian Li, Bangwei Gong, Bo Yang, Boji Shan, Chang Liu, Cheng Zhu, Chunhao Zhang, Congchao Guo, Da Chen, Dong Li, Enwei Jiao, Gengxin Li, Guojun Zhang, Haohai Sun, Houze Dong, Jiadai Zhu, Jiaqi Zhuang, Jiayuan Song, Jin Zhu, Jingtao Han, Jingyang Li, Junbin Xie, Junhao Xu, Junjie Yan, Kaishun Zhang, Kecheng Xiao, Kexi Kang, Le Han, Leyang Wang, Lianfei Yu, Liheng Feng, Lin Zheng, Linbo Chai, Long Xing, Meizhi Ju, Mingyuan Chi, Mozhi Zhang, Peikai Huang, Pengcheng Niu, Pengfei Li, Pengyu Zhao, Qi Yang, Qidi Xu, Qiexiang Wang, Qin Wang, Qiuhui Li, Ruitao Leng, Shengmin Shi, Shuqi Yu, Sichen Li, Songquan Zhu, Tao Huang, Tianrun Liang, Weigao Sun, Weixuan Sun, Weiyu Cheng, Wenkai Li, Xiangjun Song, Xiao Su, Xiaodong Han, Xinjie Zhang, Xinzhu Hou, Xu Min, Xun Zou, Xuyang Shen, Yan Gong, Yingjie Zhu, Yipeng Zhou, Yiran Zhong, Yongyi Hu, Yuanxiang Fan, Yue Yu, Yufeng Yang, Yuhao Li, Yunan Huang, Yunji Li, Yunpeng Huang, Yunzhi Xu, Yuxin Mao, Zehan Li, Zekang Li, Zewei Tao, Zewen Ying, Zhaoyang Cong, Zhen Qin, Zhenhua Fan, Zhihang Yu, Zhuo Jiang, Zijia WuJan 14, 20252836

PDF142January 13, 2025