白交 发自 凹非寺
量子位 | 公众号 QbitAI
一句话,就让绿巨人戴上VR眼镜。
4K画质那种。
熊猫的奇幻漂流~
这是字节最新的AI视频生成模型MagicVideo-V2,各种奇思妙想的想法都能实现。它不仅支持4K、8K超高分辨率,轻松hold各种绘图风格。
△从左往右:油画风、赛博风、设计风
测评效果超过Gen-2、Pika以及现有AI视频生成工具。
结果上线不到24小时就引发众人围观,比如一条推文就有近20万浏览量。
不少网友惊讶其效果,甚至直言:比runway和pika还要好。
“比runway和pika还要好”
研究人员也的确进行了实际的效果比较。选手分别为:MagicVideo-V2、StabilityAI的SVD-XT,新潜力玩家Pika1.0,以及Runway的Gen-2。
第一轮:光影效果。
夕阳西下,旅行者独自行走在迷雾森林中。
(从左到右依次是:MagicVideo-V2、SVD-XT,右上Pika,右下Gen-2,下同)
可以看到,MagicVideo-V2、Gen-2和Pika都有明显的光影。不过Pika看不出是为旅行者,MagicVideo-V2的色调更为丰富。
第二轮:情境剧情的表达。
1910 年代的情景喜剧,讲述社会中的日常生活和琐事
这一轮明显也是MagicVideo-V2、Gen-2更胜一筹。SVD-XT呈现的中景构图,虽然年代体现出来了,但表达不够。
第三轮:写实。
小男孩在公园的小路上骑着自行车,车轮踩在碎石上发出嘎吱嘎吱的声音.
这次对比就更为明显了。MagicVideo-V2和SVD-XT是完整体现出句子意思的,不过MagicVideo-V2可以看到小孩明显脚在动的细节。
除此之外,研究人员还将MagicVideo-V2与当下最先方法进行一对一的人类评估。
结果显示,相较于其他方法,人们认为MagicVideo-V2的效果更好。
(绿色、灰色和粉色条分别代表 MagicVideo-V2 被评价为更好、相当或较差的试验效果。)
如何实现?
简单来说,MagicVideo-V2是一条视频生成流水线,集成了文本到图像模型、视频运动生成器、参考图像嵌入模块、插值模块。
首先是有T2I模块首先根据文字生成1024×1024图像,随后I2V模块对该静态图像进行动画处理,生成600×600×32的帧序列,然后再用V2V模块增强,并完善视频内容,最后再用插值模块将序列扩展到94个帧。
这样一来,既保证了高保真,时间上也有连续性。
不过早在2022年11月字节曾推出了MagicVideo V1版。
不过,当时更强调的是高效性,它能在单个GPU卡上生成256×256分辨率的视频。
参考链接:
https://twitter.com/arankomatsuzaki/status/1744918551415443768?s=20
项目链接:
https://magicvideov2.github.io/
论文链接:
https://arxiv.org/abs/2401.04468
https://arxiv.org/abs/2211.11018
— 完 —
点这里👇关注我,记得标星哦~
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~