Text To Video Lvd Ms

🚀 LLM-grounded Video Diffusion Models

このプロジェクトは、UC Berkeley/UCSFのLong Lian、Baifeng Shi、Adam Yala、Trevor Darrell、Boyi Liによるもので、ICLR 2024にて発表されました。このモデルは、テキストから動画を生成するモデルで、特定の手法を用いて条件付き生成を行うことができます。

プロジェクトページ | 関連プロジェクト: LMD | 引用

このモデルはmodelscopeをベースにしており、GLIGENの方式でバウンディングボックスからの追加の条件付けを行っています。

LLM-grounded Diffusion (LMD)と同様に、LLM-grounded Video Diffusion (LVD)のboxes-to-video段階では、クロスアテンションベースのバウンディングボックス条件付けが可能で、ModelScopeの既成のものを使用しています。このHugging Faceモデルは別の選択肢を提供します。我々は、SA-1B上で時間的トランスフォーマーブロックを持たないModelScopeの重みでGLIGENモデル（つまり、トランスフォーマーアダプター）を訓練し、それを256x256解像度に微調整されたSD v2.1モデルとして扱います。その後、アダプターをModelScopeにマージして条件付けを提供します。結果として得られるモデルがこのHugging Faceモデルです。これは、クロスアテンションベースの条件付けで使用することも、それ自体で使用することもでき、LMD+と同様です。これは、LVDのLLMベースのテキストから動的シーンレイアウト生成器とともに使用することも、GLIGENの動画バージョンとしてそれ自体で使用することもできます。

📚 詳細ドキュメント

引用 (LVD)

もしあなたが我々の研究、モデル、またはこのリポジトリの実装を使用した場合、またはそれらが役に立ったと感じた場合、引用を検討してください。

@article{lian2023llmgroundedvideo,
      title={LLM-grounded Video Diffusion Models}, 
      author={Lian, Long and Shi, Baifeng and Yala, Adam and Darrell, Trevor and Li, Boyi},
      journal={arXiv preprint arXiv:2309.17444},
      year={2023},
}

@article{lian2023llmgrounded,
    title={LLM-grounded Diffusion: Enhancing Prompt Understanding of Text-to-Image Diffusion Models with Large Language Models}, 
    author={Lian, Long and Li, Boyi and Yala, Adam and Darrell, Trevor},
    journal={arXiv preprint arXiv:2305.13655},
    year={2023}
}

引用 (GLIGEN)

このモデルのアダプターは、GLIGENアダプターの訓練と同様の方法で訓練されています。

@article{li2023gligen,
  title={GLIGEN: Open-Set Grounded Text-to-Image Generation},
  author={Li, Yuheng and Liu, Haotian and Wu, Qingyang and Mu, Fangzhou and Yang, Jianwei and Gao, Jianfeng and Li, Chunyuan and Lee, Yong Jae},
  journal={CVPR},
  year={2023}
}

引用 (ModelScope)

ModelScopeはLVDのベースモデルです。

@article{wang2023modelscope,
    title={Modelscope text-to-video technical report},
    author={Wang, Jiuniu and Yuan, Hangjie and Chen, Dayou and Zhang, Yingya and Wang, Xiang and Zhang, Shiwei},
    journal={arXiv preprint arXiv:2308.06571},
    year={2023}
}
@InProceedings{VideoFusion,
    author    = {Luo, Zhengxiong and Chen, Dayou and Zhang, Yingya and Huang, Yan and Wang, Liang and Shen, Yujun and Zhao, Deli and Zhou, Jingren and Tan, Tieniu},
    title     = {VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2023}
}

📄 ライセンス

ModelScopeはCC-BY-NC 4.0ライセンスに従います。gligenアダプターはSA-1B上で訓練されており、SA-1Bライセンスに従います。