多重可控插幀視頻生成編輯，Adobe這個大一統模型做到了，效果驚艷

MotionBridge 第一次進行了統一多模態可控插幀視頻模型的嘗試。

原標題：多重可控插幀視頻生成編輯，Adobe這個大一統模型做到了，效果驚艷
文章來源：機器之心
內容字數：5396字

Adobe MotionBridge：統一多模態可控視頻生成模型

本文介紹了Adobe Research提出的一個名為MotionBridge的統一多模態可控視頻生成模型，該模型能夠根據多種模態的控制信號生成或編輯視頻，顯著提升了視頻生成的靈活性和可控性。

1. 模型概述及優勢

MotionBridge是一個基于插幀的模型，能夠處理1到n張關鍵幀，生成流暢的視頻。與傳統的圖生視頻方法相比，它具有更高的可控性和生成質量。它解決了傳統插幀方法在處理大動作和細節控制方面的不足，能夠生成更復雜、更符合用戶意圖的視頻。

2. 多模態控制能力

MotionBridge支持多種模態的控制，包括：

1. 軌跡（sparse trajectory）： 通過簡單的軌跡筆畫控制物體。
2. 掩碼（Mask）： 指定物體移動或靜止區域，精確控制鏡頭視角和物體范圍。
3. 引導像素（guiding pixels）： 精確控制特定像素區域在指定幀的位置，實現精準的像素級控制。
4. 關鍵幀（keyframes）： 提供關鍵幀，模型生成中間幀實現場景平滑切換。
5. 文本： 支持文本交互。

這些多模態控制能力使得MotionBridge能夠生成各種類型的視頻，包括動畫、卡通視頻等，并能對現有視頻進行編輯和改進。

3. 技術要點

MotionBridge的幾個關鍵技術點包括：

1. 分類編碼控制信號： 將控制信號分為內容控制和控制兩類，分別處理，減少歧義。
2. 軌跡表征： 從光流合成軌跡，并將其轉換為稀疏RGB點，提高控制精度。
3. 空間內容控制表征： 引入掩碼和引導像素等空間內容控制，提升創作靈活度。
4. 課程學習（curriculum learning）策略： 先訓練簡單的控制，再逐步過渡到復雜的控制，提高模型學習效率。

4. 實驗結果

實驗結果表明，MotionBridge在生成質量和可控性方面均優于現有SOTA算法。消融實驗驗證了分類編碼融合和課程學習策略的有效性，以及掩碼在提高模型理解和用戶交互效率方面的作用。

5. 結論

MotionBridge是一個具有突破性的統一多模態可控視頻生成模型，它為視頻創作和編輯提供了強大的工具，并為未來的視頻生成研究提供了新的方向。 其強大的控制能力和生成質量，使其在動畫制作、視頻合成等領域具有廣闊的應用前景。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺