谷歌一出手，又把AI視頻生成卷上了新高度。

一句話生成視頻，現(xiàn)在在名為Lumiere的AI操刀下，可以是醬嬸的：

△“陽光明媚，帆船在湖中航行”

如此一致性和質量，再次點燃了網(wǎng)友們對AI視頻生成的熱情：谷歌加入戰(zhàn)局，又有好戲可看了。

不止是文生視頻，Lumiere把Pika的“一鍵換裝”也復現(xiàn)了出來。

左谷歌右pika，同樣是選中區(qū)域一句話完成視頻編輯，你pick哪一邊？

讓圖片中靜止的火焰躍動起來，也同樣一選就能完成：

還有圖片轉視頻：

視頻風格化：

總之就是主打一個質量又高又全能。

更多細節(jié)，我們論文扒起~

用于視頻生成的時空擴散模型

Lumiere旨在解決以往視頻生成中存在的幾個關鍵問題：

• 真實性
• 多樣化
• 運動的連貫性

在此前的方法中，常見的做法是，擴散模型先生成一些稀疏的關鍵幀，而后通過一系列時間超分辨率（TSR）模型來填補關鍵幀之間的空白，接著再用空間超分辨率模型獲取高清視頻結果。

可以想見，在全局連貫性上，這樣的做法存在先天的缺陷。

Lumiere的創(chuàng)新點在于，提出了時空U-Net（STU-Net）架構：將視頻在空間和時間兩個維度同時進行下采樣和上采樣，在網(wǎng)絡的中間層得到視頻的壓縮時空表示。

具體來說，基于這一架構，模型能夠一次性生成視頻中的所有幀——這也就提升了生成視頻的連貫性。

同時，因為大部分計算發(fā)生在壓縮后的表示上，STU-Net能有效減少計算量，降低對計算和內存的需求。

另外，為了提升視頻的分辨率，研究人員使用多重擴散（MultiDiffusion）技術，通過線性加權空間超分辨率網(wǎng)絡來處理重疊時間窗口帶來的邊界偽影等問題，從而能將生成畫面融合為一個整體，得到連貫、高清的視頻效果。

時長和分辨率方面，Lumiere能輸出1024×1024、16fps下長5秒的視頻。

研究人員提到：

5秒已經(jīng)超過了大多數(shù)視頻作品中的平均鏡頭長度。

值得一提的是，得益于時空U-Net架構端到端全幀率視頻生成的能力和高效計算，Lumiere靈活可擴展，可以輕松應用到下游任務中，包括文生視頻、圖生視頻、視頻風格化、視頻編輯修復等等。

△視頻修復

實驗結果

研究人員將Lumiere與其他文本-視頻生成模型進行了實驗對比。

首先來看人類用戶的判斷。

實驗設計是這樣的：志愿者會同時看到一對視頻，一個來自Lumiere，另一個來自其他基線模型。志愿者被要求從中選出視覺質量、動態(tài)效果更好，更符合文本提示的視頻。

研究人員收集了大約400份反饋，結果顯示，在視頻質量、文本匹配度方面，Lumiere超越了Pika、Gen2、Imagen Video、SVD等一眾頂級視頻生成模型。

同時，在UCF101數(shù)據(jù)集（動作識別數(shù)據(jù)集）上，與MagicVideo、Make-A-Video、SVD等模型相比，Lumiere取得了具有競爭力的FVD和IS指標。

網(wǎng)友：谷歌，模型呢？

效果很驚艷，網(wǎng)友很興奮，但橋豆麻袋……

這次，谷歌依然只放出了論文，沒有試玩，更沒有開源。

這種似曾相識的操作，把人快整麻了：

視頻很不錯，但是谷歌，你又不打算發(fā)布任何代碼、權重，也不提供API了，對嗎？

還有人想起了Gemini發(fā)布時那個造假的小藍鴨視頻……

那么，這波你還會看好谷歌嗎？

論文地址：https://arxiv.org/abs/2401.12945項目地址：
https://lumiere-video.github.io/#section_video_stylization