Text To Video Lvd Zs

🚀 基于大语言模型的视频扩散模型

本项目由加州大学伯克利分校/加州大学旧金山分校的Long Lian、Baifeng Shi、Adam Yala、Trevor Darrell和Boyi Li开发，入选ICLR 2024。项目提出了基于大语言模型的视频扩散模型，为文本到视频的生成提供了新的解决方案，具有重要的研究和应用价值。

项目主页 | 相关项目：LMD | 引用信息

本模型基于zeroscope构建，并以GLIGEN的方式引入了边界框的额外条件。

与基于大语言模型的图像扩散模型（LMD）类似，基于大语言模型的视频扩散模型（LVD）的“边界框到视频”阶段支持基于交叉注意力的边界框条件，它直接使用了现成的Zeroscope模型。本Hugging Face模型提供了另一种方案：我们在SA - 1B数据集上，使用Zeroscope的权重（不包含时间变换器模块）训练了一个GLIGEN模型（即变换器适配器），将其视为一个已微调至256x256分辨率的Stable Diffusion v2.1模型。然后，我们将这些适配器合并到Zeroscope中以实现条件控制。最终得到的模型即为本Hugging Face模型。该模型既可以与基于交叉注意力的条件控制结合使用，也可以单独使用，类似于LMD+。它既可以与LVD中基于大语言模型的文本到动态场景布局生成器结合使用，也可以作为GLIGEN的视频版本单独使用。

📚 详细文档

引用信息（LVD）

如果您使用了本项目的研究成果、模型或代码实现，或者认为它们对您有帮助，请考虑进行引用。

@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}
}

引用信息（GLIGEN）

本模型中的适配器采用了与训练GLIGEN适配器类似的方式进行训练。

@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}
}

引用信息（ModelScope）

ModelScope是LVD的基础模型。

@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}
}

📄 许可证

Zeroscope遵循CC - BY - NC 4.0许可证。GLIGEN适配器在SA - 1B数据集上进行训练，该数据集遵循SA - 1B许可证。