文章目录
- [1. 摘要](#1. 摘要)
- [2. 引言](#2. 引言)
- [3. 算法](#3. 算法)
-
- [3.1 Preliminaries](#3.1 Preliminaries)
- [3.2. Personalized Animation](#3.2. Personalized Animation)
- [3.3 Motion Modeling Module](#3.3 Motion Modeling Module)
- [4. 实验](#4. 实验)
- 5.限制
- [6. 结论](#6. 结论)
论文： 《AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning》
github: https://github.com/guoyww/animatediff/
1. 摘要
随着文生图模型Stable Diffusion及个性化finetune方法：DreamBooth、LoRA发展，人们可以用较低成本生成自己所需的高质量图像，这导致对于图像动画的需求越来越多。本文作者提出一种框架，可将现有个性化文生图模型所生成图片运动起来。该方法内核为在模型中插入一个运动建模模块，训练后用于蒸馏合理的运动先验。一旦训练完成，所有基于同一个文生图模型的个性化版本都可变为文本驱动模型。作者在动画、真实图上验证，AnimateDiff生成视频比较平滑，同时保留域特性及输出多样性。
2. 引言
作者提出的AnimateDiff，可对于任意个性化文生图模型生成动图，收集每个个性化域对应视频进行finetune是不方便的，因此作者设计运动建模模块，在大规模视频上进行finetune，学习到运动先验。
3. 算法
AnimateDiff结构如图2所示，
3.1 Preliminaries
作者使用通用文生图模型SD，对于个性化图像生成领域，如果采集目标域数据进行finetune模型，成本大，DreamBooth通过设置稀有字符串作为目标域标志 ，同时增加原始模型生成图像进行训练，减少信息丢失；LoRA训练模型参数差值∆W，为降低计算量，作者将∆W解耦为两个低秩矩阵，只有transformer block中映射矩阵参与finetune。
3.2. Personalized Animation
Personalized Animation定义为：给出个性化文生图模型，比如DreamBooth或LoRA，通过少量训练成本或不训练即可驱动生成器，保留原始域信息及质量。
为达到上述目的，常规方案是扩展模型增加关注时间的结构，通过大量视频数据学习合理运动先验，但是个性化视频收集成本大，有限视频将导致源域信息丢失。
对此，作者选择训练泛化性运动建模模块，推理时将其插入文生图模型，作者实验验证发现，该模块可用于任何基于同一基础模型的文生图模型，因为几乎未改变基础模型特征空间，ControlNet也曾证明过。
3.3 Motion Modeling Module
网络扩展：
原始SD仅能用于处理图像数据，若要处理5D视频张量（batch × \times ×channels × \times ×frames × \times ×height × \times ×width），则需要扩展网络，作者将原模型中每个2D卷积及attention层转换到仅关注空间的伪3D层，将frame维度合并到batch维度 。新引入的运动模块可在每个batch中跨帧执行，使得生成视频跨帧平滑，内容一致，细节如图3所示。
运动建模模块设计：
该模块主要用于高效交换跨帧信息，作者发现普通的时空transformer足够建模运动先验。其由几个self-attention在时空维执行，特行图z的空间维度height、width reshape到batch维度 ，得到长度frames的 b a t c h ∗ h e i g h t ∗ w i d t h batch*height*width batch∗height∗width的序列，该映射特征经过几个self-attention block，如式4，
使得该模块可以捕获帧序列同一位置之间时空依赖性；为扩大感受野，作者在U型扩散网路每个分辨率层级引入该模块；此外，self-attention中增加正弦位置编码，使得网络关注当前帧时空位置。
训练目标函数：
训练过程：采样视频数据，通过预训练编码器，编码到隐空间，经过运动模块扩展的扩散网络，将噪声隐向量及对应文本prompt作为输入，预测增加到隐向量上的噪声，如式5，
4. 实验
如图4，作者展示不同模型效果；
图5，作者比较AnimateDiff与Text2Video-Zero，帧与帧之间内容一致性，Text2Video-Zero内容缺少细粒度一致性。
消融实验：
表2作者比较3种不同扩散机制，可视化结果如图6，Schedule B达到两者均衡。
5.限制
作者发现个性化文生图模型数据域为非逼真图片，更容易生成失败，如图7，有明显伪影，不能生成合理运动，归因于训练视频与个性化模型之间存在较大分布差异。可通过收集目标域视频finetune解决。
6. 结论
作者提出AnimateDiff，可将大多数个性化文生图模型进行视频生成，基于简单设计的运动建模模块，在大量视频数据学习运动先验，插入个性化文生图模型用于生成自然合理的目标域动图。