VideoCrafter2 是由騰訊AI實驗室研發的一款創新視頻生成模型，旨在解決高質量視頻數據獲取的難題。該模型的核心理念是將視頻生成過程分為（motion）和外觀（appearance）兩個主要部分，從而在缺乏高質量視頻素材的情況下，依然能夠生成清晰且富有視覺沖擊力的視頻內容。通過低質量視頻確保的連貫性，同時利用高質量圖像來提升生成視頻的畫面質量。

什么是 VideoCrafter2？

VideoCrafter2是騰訊AI實驗室推出的一種視頻生成模型，旨在應對獲得高質量視頻數據的挑戰。該模型通過解構視頻生成過程，將其分為和外觀兩個部分，從而實現高質量視頻的生成。它利用低質量視頻來維護的一致性，并借助高質量的圖像來確保視頻的畫面效果和概念的多樣性。

項目主頁：https://ailab-cvc.github.io/videocrafter2/

論文地址：https://arxiv.org/abs/2401.09047

GitHub代碼庫：https://github.com/AILab-CVC/VideoCrafter

Hugging Face Demo：https://huggingface.co/spaces/VideoCrafter/VideoCrafter2

主要功能

• 文本轉視頻：用戶只需輸入一段描述性的文本，VideoCrafter2便能根據該文本生成相應的視頻。
• 高質量視頻生成：該模型能夠創造出高分辨率和優質視覺效果的視頻，展現出豐富的細節和自然的表現。
• 美學效果提升：通過分開處理和外觀，VideoCrafter2在保持視頻連貫性的同時，也提升了清晰度、色彩飽和度等視覺效果。
• 概念組合：模型具備理解和組合復雜概念的能力，能夠生成包含多個現實或虛擬元素和場景的視頻。
• 多樣的藝術風格：VideoCrafter2能夠模擬不同的藝術風格，如賽博朋克、新波普等，給予視頻創作更多的創意空間。

工作原理

VideoCrafter2的工作依托于深度學習和擴散模型的原理，通過以下幾個關鍵步驟實現從文本到視頻的生成：

1. 數據解耦：將視頻內容的生成分為和外觀兩個部分，前者負責物體的移動，后者關注圖像的清晰度和細節。
2. 學習：利用低質量視頻數據集（如WebVid-10M）訓練部分，確保生成視頻在上保持連貫。
3. 外觀學習：使用高質量圖像數據集（如Midjourney生成的JDB圖像）訓練外觀部分，以提升生成視頻的視覺質量。
4. 模型訓練：聯合訓練低質量視頻和高分辨率圖像，初步建立基礎視頻模型，隨后通過微調外觀模塊進一步提升畫質。
5. 增強概念組合能力：使用合成圖像數據集幫助模型學習如何融合不同元素和場景。
6. 生成過程：根據文本提示，模型提取關鍵信息，結合和外觀知識逐幀生成完整視頻序列。
7. 評估和優化：通過定量和定性評估，如EvalCrafter基準測試，評估生成視頻的質量，并進行后續優化。

如何使用 VideoCrafter2

1. 訪問VideoCrafter2的官方網站或Hugging Face空間，在用戶輸入框中輸入簡短的文本描述。
2. 點擊“Expand Prompt”按鈕以生成更豐富的提示描述。
3. 隨后點擊“Generate Videos”，系統會根據原始輸入和擴展提示分別生成兩個視頻。
4. 生成高清視頻的過程大約需要2-3分鐘。

應用場景

VideoCrafter2可以廣泛應用于影視制作、廣告創意、游戲開發、教育培訓等多個領域，幫助創作者提升創意表達和視頻效果。

常見問題

1. VideoCrafter2支持哪些輸入格式？
用戶可以輸入文本描述，系統將根據描述生成視頻。

2. 生成視頻的時間是多久？
通常生成高清視頻需要2-3分鐘。

3. 如何獲取生成的視頻？
生成的視頻會顯示在頁面上，用戶可以進行下載和分享。