1月8日 消息:Meta 的 GenAI 團(tuán)隊(duì)推出了名為 Fairy 的視頻到視頻綜合模型，該模型比現(xiàn)有模型更快，時(shí)間上更一致。研究團(tuán)隊(duì)展示了 Fairy 在幾個(gè)應(yīng)用中的表現(xiàn)，包括角色 / 物體替換，風(fēng)格化和長形式視頻生成。

　　比如，只需簡單的文本提示，如 “仿梵高風(fēng)格”，就足以編輯源視頻。例如，文本命令 “變成雪人” 將視頻中的宇航員變成了雪人。

　　Fairy 的視覺連貫性是一個(gè)特別具有挑戰(zhàn)性的問題，因?yàn)榛�于相同提示有無數(shù)種方法可以修改給定的圖像。Fairy 使用交叉幀關(guān)注機(jī)制，這是一種隱式傳播擴(kuò)散特征的機(jī)制，確保了優(yōu)越的時(shí)間連貫性和高保真度的合成。

　　該模型可以在僅14秒內(nèi)生成大小為512x384像素、120幀(30fps 下的4秒)的視頻，比以前的模型至少快44倍。與 Meta 的 Emu 視頻模型一樣，F(xiàn)airy 是基于用于圖像處理的擴(kuò)散模型，經(jīng)過了視頻編輯的增強(qiáng)。

　　Fairy 在處理源視頻的所有幀時(shí)不進(jìn)行時(shí)間降采樣或幀插值，并保持了512的水平輸出視頻的縱橫比。在使用六個(gè) A100GPU 進(jìn)行測(cè)試時(shí)，F(xiàn)airy 能夠在71.89秒內(nèi)渲染一個(gè)27秒的視頻，并保持高度的視覺一致性。

　　Fairy 的性能在一個(gè)包含1000個(gè)生成樣本的廣泛用戶研究中進(jìn)行了測(cè)試。無論是人類判斷還是定量指標(biāo)都證實(shí)，F(xiàn)airy 的表現(xiàn)優(yōu)于 Rerender、TokenFlow 和 Gen-1這三個(gè)模型。

　　然而，該模型目前在處理如雨、火災(zāi)或閃電等動(dòng)態(tài)環(huán)境效果方面存在問題，這些效果要么無法很好地融入整個(gè)場(chǎng)景，要么會(huì)產(chǎn)生視覺錯(cuò)誤。

　　盡管存在這些問題，研究團(tuán)隊(duì)認(rèn)為他們的工作在 AI 視頻編輯領(lǐng)域代表了一次重大進(jìn)展，具有對(duì)時(shí)間一致性和高質(zhì)量視頻合成的變革性方法。