“视频版ControlNet”来了！
让蓝衣战神秒变迪士尼公举：
视频处理前后，除了画风以外，其他都不更改。
女孩说话的口型都保持一致。
正在插
剑的姜文，也能“下一秒”变猩球崛起了。
这就是由全华人团队打造的最新视频处理算法CoDeF，发布才几天，迅速在网上爆火。
网友们看了直呼：
这一天天的，虚实分辨越来越难了！
只需要自己拍点东西，然后覆盖上去，就能变成各种各样的动画了。
有人说，只需给它一年时间，就能被用在电影制作上了。
这马上引来其他人的肯定：技术发展真的非常疯狂、非常快。
目前，团队已将这一方法在GitHub上开源。
姿势不变，画风“皮套”随便换
之所以会被称为是“视频版ControlNet”，主要原因在于CoDeF能够对原视频做到精准控制。
（ControlNet实现了根据提示词精准控制图像元素改变，如人物动作、图像结构等）
根据给到的提示词，它仅改变视频的画风，而且是针对完整视频。
比如输入“Chinese ink painting”，风景纪录片能秒变国风水墨大作。
包括水流也能很好跟踪，整个流体动向都没有被改变。
甚至一大片穗子，在原视频里怎么摆动，改变画风后频率和幅度也如出一辙。
在画风改变上，CoDeF也做了很多细节处理，让效果更加逼真合理。
“由春入冬”后，原本有涟漪的河流静止了，天空中的云彩被换成了太阳，更加符合冬日景象。
霉霉变成魔法少女后，耳环被换成了发光宝石，手里的苹果也换成了魔法球。
这样一来，让电影角色一键变老也简单了许多。
皱纹可以“悄无声息”上脸，其他一切都没有变化。
所以，CoDeF是怎么实现的呢？
可跟踪水和烟雾，跨帧一致性更强
CoDeF是英文“the content deformation field”的缩写，即作者在此提出了一种叫做内容形变场的新方法，来用于视频风格迁移任务。
比起静态的图像风格迁移，这种任务的复杂点在于时间序列上的一致性和流畅度。
比如处理水、烟雾这种元素，两帧画面之间的一致性非常重要。
在此，作者“灵机一动”，提出用图片算法来直接解决视频任务。
他们只在一张图像上部署算法，再将图像-图像的转换，提升为视频-视频的转换，将关键点检测提升为关键点跟踪，而且不需要任何训练。
这样一来，相较于传统方法，能够实现更好的跨帧一致性，甚至跟踪非刚性物体。
具体而言，CoDeF将输入视频分解为2D内容规范场（canonical content field）和3D时间形变场（temporal deformation field）：
前者用于聚合整个视频中的静态内容；后者则负责记录图像沿时间轴的每个单独帧的转换过程。
利用MLP（多层感知器），每个场都用多分辨率2D或3D哈希表来表示。
在此，作者特意引入了正则化，来保证内容规范场能够继承原视频中的语义信息（比如物体的形状）。
如上图所示，这一系列设计使得CoDeF可以自动支持各种图像算法直接应用于视频处理——
也就是只需利用相应算法提取出来一张规范图像，然后通过时间形变场沿着时间轴传播结果即可。
比如，给CoDeF“套上”本用于图片处理的ControlNet，就可以完成视频风格的“翻译”（也就是我们开头和第一段看的那一堆效果）：
“套上”分割一切算法SAM，我们就能轻松做到视频的对象跟踪，完成动态的分割任务：
“套上”Real-ESRGAN，则给视频做超分也是信手拈来……
整个过程非常轻松，不需要对待操作视频进行任何调整或处理。
不仅能处理，还能保证效果，即良好的时间一致性和合成质量。
如下图所示，相比去年诞生的Layered neural atlas算法，CoDeF能够呈现非常忠于原视频的细节，既没有变形也无破坏。
而在根据文本提示修改视频风格的任务对比中，CoDeF全部表现突出，不仅最匹配所给要求，也有着更高的完成度。
跨帧一致性则如下图所示：
一位一作刚本科毕业
这项研究由香港科技大学、蚂蚁团队、浙江大学CAD&CG实验室共同带来。
共同一作有三位，分别是欧阳豪、Yujun Shen和Yuxi Xiao。
其中欧阳豪为港科大博士，师从陈启峰（本文通讯作者之一）；本科导师为贾佳亚。曾在MSRA、商汤、腾讯优图实验室实习过，现在正在谷歌实习。
另一位是Qiuyu Wang。Yujun Shen是通讯作者之一。
他是蚂蚁研究所的高级研究科学家，主管交互智能实验室，研究方向为计算机视觉和深度学习，尤其对生成模型和3D视觉效果感兴趣。
第三位一作为Yuxi Xiao才刚刚从武大本科毕业，今年9月开始在浙大CAD&CG实验室读博。
他以一作身份发表的论文Level-S2fM: Structure from Motion on Neural Level Set of Implicit Surfaces，被CVPR2023接收。
论文地址：
https://arxiv.org/abs/2308.07926
项目地址：
https://qiuyu96.github.io/CoDeF/
参考链接：
https://twitter.com/LinusEkenstam/status/1692492872392626284
出自：https://mp.weixin.qq.com/s/IktbUgTf7qXdH6lB1EO4bw
“视频版ControlNet”来了！
让蓝衣战神秒变迪士尼公举：
视频处理前后，除了画风以外，其他都不更改。
女孩说话的口型都保持一致。
正在插
剑的姜文，也能“下一秒”变猩球崛起了。
这就是由全华人团队打造的最新视频处理算法CoDeF，发布才几天，迅速在网上爆火。
网友们看了直呼：
这一天天的，虚实分辨越来越难了！
只需要自己拍点东西，然后覆盖上去，就能变成各种各样的动画了。
有人说，只需给它一年时间，就能被用在电影制作上了。
这马上引来其他人的肯定：技术发展真的非常疯狂、非常快。
目前，团队已将这一方法在GitHub上开源。
姿势不变，画风“皮套”随便换
之所以会被称为是“视频版ControlNet”，主要原因在于CoDeF能够对原视频做到精准控制。
（ControlNet实现了根据提示词精准控制图像元素改变，如人物动作、图像结构等）
根据给到的提示词，它仅改变视频的画风，而且是针对完整视频。
比如输入“Chinese ink painting”，风景纪录片能秒变国风水墨大作。
包括水流也能很好跟踪，整个流体动向都没有被改变。
甚至一大片穗子，在原视频里怎么摆动，改变画风后频率和幅度也如出一辙。
在画风改变上，CoDeF也做了很多细节处理，让效果更加逼真合理。
“由春入冬”后，原本有涟漪的河流静止了，天空中的云彩被换成了太阳，更加符合冬日景象。
霉霉变成魔法少女后，耳环被换成了发光宝石，手里的苹果也换成了魔法球。
这样一来，让电影角色一键变老也简单了许多。
皱纹可以“悄无声息”上脸，其他一切都没有变化。
所以，CoDeF是怎么实现的呢？
可跟踪水和烟雾，跨帧一致性更强
CoDeF是英文“the content deformation field”的缩写，即作者在此提出了一种叫做内容形变场的新方法，来用于视频风格迁移任务。
比起静态的图像风格迁移，这种任务的复杂点在于时间序列上的一致性和流畅度。
比如处理水、烟雾这种元素，两帧画面之间的一致性非常重要。
在此，作者“灵机一动”，提出用图片算法来直接解决视频任务。
他们只在一张图像上部署算法，再将图像-图像的转换，提升为视频-视频的转换，将关键点检测提升为关键点跟踪，而且不需要任何训练。
这样一来，相较于传统方法，能够实现更好的跨帧一致性，甚至跟踪非刚性物体。
具体而言，CoDeF将输入视频分解为2D内容规范场（canonical content field）和3D时间形变场（temporal deformation field）：
前者用于聚合整个视频中的静态内容；后者则负责记录图像沿时间轴的每个单独帧的转换过程。
利用MLP（多层感知器），每个场都用多分辨率2D或3D哈希表来表示。
在此，作者特意引入了正则化，来保证内容规范场能够继承原视频中的语义信息（比如物体的形状）。
如上图所示，这一系列设计使得CoDeF可以自动支持各种图像算法直接应用于视频处理——
也就是只需利用相应算法提取出来一张规范图像，然后通过时间形变场沿着时间轴传播结果即可。
比如，给CoDeF“套上”本用于图片处理的ControlNet，就可以完成视频风格的“翻译”（也就是我们开头和第一段看的那一堆效果）：
“套上”分割一切算法SAM，我们就能轻松做到视频的对象跟踪，完成动态的分割任务：
“套上”Real-ESRGAN，则给视频做超分也是信手拈来……
整个过程非常轻松，不需要对待操作视频进行任何调整或处理。
不仅能处理，还能保证效果，即良好的时间一致性和合成质量。
如下图所示，相比去年诞生的Layered neural atlas算法，CoDeF能够呈现非常忠于原视频的细节，既没有变形也无破坏。
而在根据文本提示修改视频风格的任务对比中，CoDeF全部表现突出，不仅最匹配所给要求，也有着更高的完成度。
跨帧一致性则如下图所示：
一位一作刚本科毕业
这项研究由香港科技大学、蚂蚁团队、浙江大学CAD&CG实验室共同带来。
共同一作有三位，分别是欧阳豪、Yujun Shen和Yuxi Xiao。
其中欧阳豪为港科大博士，师从陈启峰（本文通讯作者之一）；本科导师为贾佳亚。曾在MSRA、商汤、腾讯优图实验室实习过，现在正在谷歌实习。
另一位是Qiuyu Wang。Yujun Shen是通讯作者之一。
他是蚂蚁研究所的高级研究科学家，主管交互智能实验室，研究方向为计算机视觉和深度学习，尤其对生成模型和3D视觉效果感兴趣。
第三位一作为Yuxi Xiao才刚刚从武大本科毕业，今年9月开始在浙大CAD&CG实验室读博。
他以一作身份发表的论文Level-S2fM: Structure from Motion on Neural Level Set of Implicit Surfaces，被CVPR2023接收。
论文地址：
https://arxiv.org/abs/2308.07926
项目地址：
https://qiuyu96.github.io/CoDeF/
参考链接：
https://twitter.com/LinusEkenstam/status/1692492872392626284
出自：https://mp.weixin.qq.com/s/IktbUgTf7qXdH6lB1EO4bw
本文档由网友提供，仅限参考学习，如有不妥或产生版权问题，请联系我们及时删除。
客服请加微信：skillupvip