字节跳动推出颠覆性文生视频模型,可自由控制动作!
在Sora引爆文生视频赛道之前,国内的字节跳动也推出了一款颠覆性视频模型——Boximator。
与Gen-2、Pink1.0等模型不同的是,Boximator可以通过文本精准控制生成视频中人物或物体的动作。
例如,下雨天,大风把一位女生的雨伞吹走了。目前,很少有视频模型能精准做到这一点。

左侧为Boximator生成的视频
论文地址:https://arxiv.org/abs/2402.01566
项目地址:https://boximator.github.io/

Boximator案例赏析
我们先看一下Boximator与Gen-2、Pink1.0,在使用相同的文本提示词、图像生成的视频,所表现出来的不同动作。
为了方便观察,「AIGC开放社区」将对比视频整合在一起,最左边的是Boximator生成的视频。
1),一个可爱的3D男孩站着,然后走路。

在这个案例中,Pika1.0生成的视频男孩只是站着没有走动,Gen-2的视频走动了但不明显,只有Boximator产生了明显的走动动作。
2)一位英俊的男人用他的右手从口袋里拿出一朵玫瑰,并且在看着这朵玫瑰。

这个案例Pika1.0和Gen-2表现的都非常不好,男士没有掏出玫瑰花的动作。Boximator再一次完美理解文本语义并做出了相应的动作。
3)往杯子里加红酒
这个案例主要展示了控制物体动作的能力,Pika1.0和Gen-2都做出了倒酒的动作,但是杯子里的酒没有明显上升的动作。只有Boximator做到了倒酒 上升两个动作。
看了这3个案例,能感受到Boximator对文本语义精准理解,以及对动作控制的强大功能了吧。
Boximator模型介绍
为了实现对视频中物体、人物的动作控制,Boximator使用了“软框”和“硬框”两种约束方法。
硬框:可精确定义目标对象的边界框。用户可以在图片中画出感兴趣的对象,Boximator会将其视为硬框约束,在之后的帧中精准定位该对象的位置。

软框:软框定义一个对象可能存在的区域,形成一个宽松的边界框。对象需要停留在这个区域内,但位置可以有一定变化,实现适度的随机性。
两类框都包含目标对象的ID,用于在不同帧中跟踪同一对象。此外,框还包含坐标、类型等信息的编码。
控制模块和训练策略
控制模块可以将框约束的编码与视频帧的视觉编码结合,用来指导视频的精准动作生成。包含框编码器和自注意力层两大块。
框编码器:将框的坐标、ID、类型等信息,通过Fourier编码和MLP映射为控制向量。

自注意力层:将框的控制向量与视频帧的视觉向量通过自注意力建模其关系,学习将框指导帧生成。
训练策略方面,Boximator主要分为两个阶段:自跟踪阶段,训练模型的同时生成视频内容和对应的框,并简化框与对象的关系学习。

正常训练,训练模型只生成视频内容,框的内在表达已经学会指导对象生成。此外,训练还使用多阶段策略,逐步过渡从硬框到软框的约束,以及适当融合无框数据。
Boximator实验数据
为获得视频训练数据,研究人员从WebVid-10M数据集中,过滤出110万段动态明显的视频片段,并自动为其注释了220万个对象的边界框。并在PixelDance和ModelScope这两个模型上训练了Boximator。

实验数据显示,Boximator在保持原模型视频质量,具有非常强大的动作控制能力。同时可以作为一种插件,帮助现有视频扩散模型提升生成质量。
在MSR-VTT数据集上,无论是视频质量还是框与对象对齐精度方面,Boximator都优于原模型。在人类评估中,Boximator生成的视频也在质量和运动控制上明显超过原模型。

字节跳动的研究人员表示,目前该模型处于研发阶段,预计2-3个月内发布测试网站。让我们期待一下国内挑战Sora的产品诞生吧!
苹果发布全新 AR 应用 Deep Field
苹果官方宣布,推出AR应用DeepField,DeepField是一款基于iPadPro和ApplePencil的全新沉浸式艺术体验app,由澳大利亚著名艺术与创意技术二人组Tin&Ed(TinNguyen与EdwardCutting)创造。站长网2023-07-06 09:43:390003当代版木牛流马?国外网友造出「会走路的桌子」,引百万人围观
你想喝瓶啤酒,于是就把桌子叫了过来。这不是吃了菌子才有的场景,而是国外网友的一项发明,名叫Carpentopod。整个桌子有12条腿,里面内置了电机,是木工、电子和编程结合的产物。只要按下遥控器,桌子就会向你走来,像一个家用机器人一样。站长网2024-09-14 02:33:380002雷军入局电池制造行业!小米汽车宁德时代合资公司成立
快科技5月20日消息,天眼查APP显示,近日,北京时代动力电池有限公司成立,注册资本为10亿元,法人为孟祥峰。北京时代动力电池有限公司的四大股东分别为宁德时代、北京京能科技、小米汽车、北汽海蓝芯能源科技。据此前报道,北京时代合资公司中,宁德时代持股51%,北汽海蓝芯持股39%,京能科技和小米汽车各自持股5%。站长网2024-05-20 22:10:520000调查称超过四分之一的英国成年人使用过类GPT产品
据theguardian报道,超过四分之一的英国成年人使用过聊天机器人等生成人工智能,调查显示,有4万人也将其用于工作。根据发布调查的会计集团德勤(Deloitte)的数据,最新一代人工智能系统的采用率超过了亚马逊Alexa等语音辅助音箱。德勤表示,16至26岁的人中有75%使用过生成式人工智能工具,十分之一的人每天至少使用一次。站长网2023-07-14 17:24:460000PixelPlayer:能自动从视频中识别和分离不同的声音源
PixelPlayer是MIT研究团队开发的项目,能够自动从视频中识别和分离出不同的声音源,并与画面位置匹配。这种能力使得系统能够识别视频中的不同声音来源,如不同乐器的声音,分别提取和分离这些声音源的声音,而无需人工标注数据。项目地址:https://top.aibase.com/tool/pixelplayer站长网2024-02-22 11:36:000001