西风 发自 凹非寺
量子位 | 公众号 QbitAI

快手发力AI视频，参与开发了一个智能“导演”。

Direct-a-Video，成功解耦AI生成视频中物体运动和摄像机运动，让灵活性和可控性大大增强！

不信，来欣赏一波作品。

短视频中的镜头移动方向全凭导演指令，水平（X轴）、垂直（Y轴）、变焦必须精准：

AI导演还上演了一出炫技，镜头移动方向混合水平、垂直：

混合水平、变焦运动效果也可以

此外，导演还要求视频中的每个“演员”都能按照绘制的框框运动：

达到镜头移动和演员运动合一的效果。

比如，大熊原地太空漫步，镜头水平和垂直移动实现整体视频运动效果：

当然大熊的位置也可以通过绘制带箭头的框框，从一个地方移动到另一个地方：

甚至还能同时分别控制多个“演员”的移动路径：

这就是香港城市大学、快手科技、天津大学研究团队共同提出的Direct-a-Video文本-视频生成框架的效果展示。

怎么做到的？

具体来说，Direct-a-Video分为两个板块——

在训练阶段，学习相机移动控制；在推理阶段，实现物体运动控制。

在实现相机移动控制时，研究人员采用了预训练的ZeroScope文本到视频模型作为基础模型，并引入新的可训练时间自注意力层（相机模块），将由Fourier编码和MLP映射的平移和变焦参数嵌入注入其中。

训练策略是在有限数据上，使用数据增广的自监督训练方式学习相机模块，无需人工运动标注。

其中数据增广通俗来讲，就是添加已有数据的略微修改版，或从现有数据中创建新的合成数据来增加数据量：

经过自监督训练后，该模块可以解析相机运动参数实现定量控制。

实现物体运动控制时，不需要额外的数据集和训练，只需用户简单绘制首末帧框和中间轨迹即可定义物体运动。

简单来说，直接在推理时采用基于像素的自注意力增强和抑制，分时阶段调控每帧内各对象的自注意力分布，从而使对象生成到用户通过一系列框指定的位置，实现物体运动轨迹控制。

值得一提的是，相机移动控制和物体运动控制互相独立，允许单独或联合控制。

Direct-a-Video效果如何？

研究人员将Direct-a-Video与多基准对比验证了该方法的有效性。

相机移动控制评估

Direct-a-Video与AnimateDiff和VideoComposer对比结果如下：

Direct-a-Video在生成质量、相机移动控制精度上均优于基线：

物体运动控制评估

Direct-a-Video与VideoComposer和Peekaboo对比，验证了本方法在多物体及运动场景下的控制能力。

在生成质量和物体运动控制精度上优于VideoComposer：

网友看到效果直呼因锤斯汀：

除Runway外，又多了一种新选择。

PS：

Runway Gen-2“运动笔刷”（Motion Brush），涂哪儿动哪儿，同样可调整参数控制运动方向：

参考链接：
[1]https://x.com/dreamingtulpa/status/1756246867711561897?s=20
[2]https://arxiv.org/abs/2402.03162