对于最近基于扩散的生成模型,在一系列生成的图像中保持一致的内容,特别是那些包含主题和复杂细节的图像,提出了重大挑战。在本文中,他们提出了一种新的自注意力计算方法,称为一致性自注意力,它显着提高了生成图像之间的一致性,并以零样本方式增强了流行的基于预训练扩散的文本到图像模型。
代码项目:https://github.com/HVision-NKU/StoryDiffusion
AIGC专区:
https://heehel.com/category/aigc
更多消息:
https://heehel.com/category/ai-news
为了将他们的方法扩展到远程视频生成,他们进一步引入了一种新颖的语义空间时间运动预测模块,称为语义运动预测器。它被训练来估计语义空间中两个提供的图像之间的运动条件。该模块将生成的图像序列转换为具有平滑过渡和一致主题的视频,比仅基于潜在空间的模块更加稳定,特别是在长视频生成的情况下。
通过合并这两个新颖的组件,他们的框架(称为 StoryDiffusion)可以描述基于文本的故事,其中包含包含丰富内容的一致图像或视频。拟议的 StoryDiffusion 涵盖了通过图像和视频的呈现来生成视觉故事的开创性探索,他们希望这能够从建筑修改方面激发更多的研究。