项目背景

继 AI 绘画之后，短视频行业正迎来 AI 智能创作的新浪潮。AI 智能创作正在各个方面为创作者和用户带来新的体验和价值。AI 动漫视频、AI 瞬息宇宙、AI 视频风格化等诸多创作功能不仅为视频内容创作提供了全新灵感，而且大大降低了用户创作的门槛，提高了视频生产效率。

然而，现有的文本-视频生成方法需要极其高昂的计算资源和超大规模的文本-视频数据集（如：CogVideo、Gen-1），对大多数用户来说，成本较高。此外，很多时候单纯使用文本提示生成视频，生成的内容较为抽象，不一定符合用户的需求。因此，在某些情况下，用户需要提供参考视频，并通过文本提示来引导模型进行文本视频生成。与之对应，Text2Video-Zero 可以通过运动动力学（motion dynamics）、帧间注意力机制（frame-level self-attention）等技术手段对原始的文本-图像模型进行修改，使其可以完成文本-视频任务，且不需任何训练，是一种十分理想的文本-视频生成方法。本项目基于飞桨框架实现了 Text2Video-Zero 的核心代码及依赖库，并通过 PPDiffusers 的文本-图像生成模型实现了文本-视频生成、文本-视频编辑、姿态引导的文本-视频生成、边缘引导的文本-视频生成、深度图引导的文本-视频生成、边缘引导和 Dreambooth 定制的文本-视频生成在内的全部视频生成模块，并将该成果开源在 AI Studio 上。该实现对丰富飞桨 AIGC 生态具有极大的意义。

大模型专区 Text2Video-Zero-零样本文本到视频生成（上）

https://aistudio.baidu.com/aistudio/projectdetail/6212799

大模型专区 Text2Video-Zero-零样本文本到视频生成（下）

https://aistudio.baidu.com/aistudio/projectdetail/6389526

模型原理

Text2Video-Zero 以随机采样潜在编码 $x_T^1$ 为起点，使用预训练的 Stable Diffusion 模型（SD），通过 DDIM 反向传播 $\Delta t$ 步来获得。对于每一帧 k，作者使用变形函数将 $x_{T^{\prime}}^{1}$ 变换为 $x_{T^{\prime}}^{k}$ ，从而获得特定的运动场结果。通过使用运动动力学对潜在编码进行增强，模型可以确定全局场景和相机运动，从而实现背景和全局场景的时间一致性。之后，作者使用 DDPM 前向传播对潜在编码 $x_T^k$ , k=1,…,m 进行传递。这里，概率 DDPM 方法可以实现更大自由度的物体运动。然后将潜在编码传递到使用帧间注意力机制修改后的 SD 模型中，帧间注意力机制使用第一帧的 key 和 value 来生成整个视频序列的图像。通过帧间注意力机制，前景物体的身份和外观可以在视频序列中保留。不仅如此，作者还对生成的视频序列使用了背景平滑技术。具体来说，作者使用显著目标检测来获得每一帧 k 中暗示了前景像素的掩码 $M^k$ ，并使用第一帧变换到第 k 帧的潜在编码 $x_t^1$ 和潜在编码 $x_t^k$ 来进一步提高掩码 $M^k$ 中背景部分的时间一致性。该方法的整体架构图如下：

图1 Text2Video-Zero 模型的整体架构图

由于 Text2Video-Zero 是一种通过对文本-图像模型进行零样本微调来生成视频的 AIGC 模型。因此，本项目会涉及到很多预训练的文本-图像生成模型，包括 Stable Diffusion V1.5、Instruct-Pix2Pix 、ControlNet 和张一乔老师（AI Studio昵称为笠雨聆月）的诺艾尔 Dreambooth 模型。其中，Stable Diffusion V1.5 模型用于文本-视频生成，Instruct-Pix2Pix 模型用于文本-视频编辑，ControlNet 模型用于姿态引导的文本-视频生成，边缘引导的文本-视频生成和深度图引导的文本-视频生成，诺艾尔 Dreambooth 模型用于边缘引导和 Dreambooth 定制的文本视频生成。所有开源模型附在文章最后，在此也对所有开源贡献者表示衷心感谢。

运动动力学核心代码

 1def create_motion_field(self, motion_field_strength_x, motion_field_strength_y, frame_ids, video_length, latents):2    reference_flow = paddle.zeros(3        (video_length-1, 2, 512, 512), dtype=latents.dtype)4    for fr_idx, frame_id in enumerate(frame_ids):5        reference_flow[fr_idx, 0, :,6                        :] = motion_field_strength_x*(frame_id)7        reference_flow[fr_idx, 1, :,8                        :] = motion_field_strength_y*(frame_id)9    return reference_flow
10
11def create_motion_field_and_warp_latents(self, motion_field_strength_x, motion_field_strength_y, frame_ids, video_length, latents):
12    motion_field = self.create_motion_field(motion_field_strength_x=motion_field_strength_x,
13                        motion_field_strength_y=motion_field_strength_y, latents=latents,            
14                        video_length=video_length, frame_ids=frame_ids)
15    for idx, latent in enumerate(latents):
16        out = self.warp_latents_independently(
17            latent[None], motion_field)
18        out = out.squeeze(0)
19        latents[idx]=out
20    return motion_field, latents
21
22x_t0_k = x_t0_1[:, :, :1, :, :].tile([1, 1, video_length-1, 1, 1])
23reference_flow, x_t0_k = self.create_motion_field_and_warp_latents(
24    motion_field_strength_x=motion_field_strength_x, motion_field_strength_y=motion_field_strength_y, latents=x_t0_k, video_length=video_length, frame_ids=frame_ids[1:])
25if t1 > t0:
26    x_t1_k = self.DDPM_forward(
27        x0=x_t0_k, t0=t0, tMax=t1, shape=shape, text_embeddings=text_embeddings, generator=generator)
28else:
29    x_t1_k = x_t0_k
30if x_t1_1 is None:
31    raise Exception
32x_t1 = paddle.concat([x_t1_1, x_t1_k], axis=2).clone().detach()
33ddim_res = self.DDIM_backward(num_inference_steps=num_inference_steps, timesteps=timesteps, skip_t=t1, t0=-1, t1=-1,    
34                            do_classifier_free_guidance=do_classifier_free_guidance,
35                            null_embs=null_embs, text_embeddings=text_embeddings, latents_local=x_t1, latents_dtype=dtype,  
36                            guidance_scale=guidance_scale,
37                            guidance_stop_step=guidance_stop_step, callback=callback, callback_steps=callback_steps, extra_step_kwargs=extra_step_kwargs, num_warmup_steps=num_warmup_steps)
38x0 = ddim_res["x0"].detach()

帧间注意力机制核心代码

 1class CrossFrameAttnProcessor:2    def __init__(self, unet_chunk_size=2):3        self.unet_chunk_size = unet_chunk_size45    def __call__(6            self,7            attn,8            hidden_states,9            encoder_hidden_states=None,
10            attention_mask=None):
11        batch_size, sequence_length, _ = hidden_states.shape
12        attention_mask = attn.prepare_attention_mask(attention_mask, sequence_length, batch_size)
13        query = attn.to_q(hidden_states)
14        is_cross_attention = encoder_hidden_states is not None
15        if encoder_hidden_states is None:
16            encoder_hidden_states = hidden_states
17        elif attn.cross_attention_norm:
18            encoder_hidden_states = attn.norm_cross(encoder_hidden_states)
19        key = attn.to_k(encoder_hidden_states)
20        value = attn.to_v(encoder_hidden_states)
21        if not is_cross_attention:
22            video_length = key.shape[0] // self.unet_chunk_size
23            former_frame_index = [0] * video_length
24            f = video_length
25            b_f, d, c = key.shape
26            b = b_f//f
27            key = key.reshape([b,f, d, c])
28            key = paddle.gather(key, paddle.to_tensor(former_frame_index), axis=1)
29            key = key.reshape([-1,d,c])
30            b_f, d, c = value.shape
31            b = b_f//f
32            value = value.reshape([b,f,d,c])
33            value = paddle.gather(value, paddle.to_tensor(former_frame_index), axis=1)
34            value = value.reshape([-1,d,c])
35        query = head_to_batch_dim(query,attn.heads)
36        key = head_to_batch_dim(key,attn.heads)
37        value = head_to_batch_dim(value,attn.heads)
38        attention_probs = attn.get_attention_scores(query, key, attention_mask)
39        hidden_states = paddle.bmm(attention_probs, value)
40        hidden_states =  batch_to_head_dim(hidden_states, attn.heads)
41        hidden_states = attn.to_out[0](hidden_states)
42        hidden_states = attn.to_out[1](hidden_states)
43        return hidden_states

开发环境与实现过程

PPDiffusers 介绍

PPDiffusers 是一款支持多种模态（如文本图像跨模态、图像、语音）扩散模型（Diffusion Model）训练和推理的国产化工具箱。依托于飞桨框架和 PaddleNLP 自然语言处理开发库，PPDiffusers 提供了超过50种 SOTA 扩散模型 Pipelines 集合，支持文图生成（Text-to-Image Generation）、文本引导的图像编辑（Text-Guided Image Inpainting）、文本引导的图像变换（Image-to-Image Text-Guided Generation）、文本条件视频生成（Text-to-Video Generation）、超分（Super Resolution）在内的10余项任务，覆盖文本、图像、视频、音频等多种模态。2023年06月20日，飞桨正式发布 PPDiffusers 0.16.1 版本，新增 T2I-Adapter，支持训练与推理；ControlNet 升级，支持 reference only 推理；新增 WebUI Stable Diffusion Pipeline，支持通过 prompt 的方式动态加载lora、textual_inversion 权重；新增 Stable Diffusion HiresFix Pipeline，支持高分辨率修复；新增关键点控制生成任务评价指标 COCO eval；新增多种模态扩散模型 Pipelines，包括视频生成（Text-to-Video-Synth、Text-to-Video-Zero）、音频生成（AudioLDM、Spectrogram Diffusion）；新增文图生成模型 IF。

GitHub链接

https://github.com/PaddlePaddle/PaddleNLP/tree/develop/ppdiffusers

安装指令

PPDiffusers 的安装指令如下：

1!pip install --user ftfy regex
2!pip install --user --upgrade ppdiffusers

在此基础上，也可选择其他环境安装：

1!pip install decord
2!pip install omegaconf
3!pip install --user scikit-image

实现效果

文本-视频生成效果

根据用户输入的文本提示词生成相应视频。

推理代码：

 1model = Model(device = "cuda", dtype = paddle.float16)2paddle.seed(1234)3prompt = "An astronaut dancing in Antarctica"4video_length = 25params = {"t0": 44, "t1": 47 , "motion_field_strength_x" : 12, "motion_field_strength_y" : 12, "video_length": video_length }6output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video"7save_format = "gif"8out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)9fps = 4
10chunk_size = 4
11model_path = "/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"
12model.process_text2video(prompt, model_name = model_path, fps = fps,save_path = out_path,save_format=save_format,chunk_size= chunk_size ,is_gradio = False, **params)

最终呈现的效果如图2所示：

图2 文本视频生成效果

文本-视频编辑效果

根据用户输入的文本提示词对视频进行编辑。

推理代码：

 1model = Model(device = "cuda", dtype = paddle.float16)2paddle.seed(1234)3prompt = "make it Van Gogh Starry Night style"4video_path = '__assets__/pix2pix video/camel.mp4'5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/video_instruct_pix2pix"6save_format = "gif"7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)8chunk_size = 89model_path = "/home/aistudio/instruct_Pix2Pix/timbrooks/instruct-pix2pix"
10model.process_pix2pix(video_path, prompt=prompt, resolution=384,model_path =  model_path,chunk_size= chunk_size ,save_path=out_path,save_format=save_format,is_gradio = False)

最终呈现的效果如图3所示：

图3 文本视频编辑效果

文本-视频编辑效果

根据用户输入的文本提示和运动姿态生成相应视频。

推理代码如下：

 1model = Model(device = "cuda", dtype = paddle.float16)2paddle.seed(1234)3prompt = "an astronaut dancing in outer space"4motion_video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_pose_control/dance5_corr.mp4'5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_pose_control"6save_format = "gif"7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)8stable_diffision_path="/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-openpose"
10model.process_controlnet_pose( motion_video_path, prompt=prompt, save_path=out_path,save_format=save_format,\
11chunk_size= 24, resolution=384,model_path_list=[stable_diffision_path,controlnet_path])

最终呈现的效果如图4所示：

图4姿态引导的文本-视频生成效果

边缘引导的文本-视频生成

推理代码如下：

 1model = Model(device = "cuda", dtype = paddle.float16)2paddle.seed(1234)3prompt = 'oil painting of a deer, a high-quality, detailed, and professional photo'4video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_edge_control/deer.mp4'5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_edge_control"6save_format = "gif"7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)8stable_diffision_path="/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-canny"
10model.process_controlnet_canny(video_path, prompt=prompt, save_path=out_path,save_format=save_format,\
11chunk_size=  16, resolution=384,model_path_list=[stable_diffision_path,controlnet_path])

最终呈现的效果如图5所示：

图5边缘引导的文本-视频生成效果

深度图引导的文本-视频生成

根据用户输入的文本提示和深度图生成相应视频。

推理代码如下：

 1model = Model(device = "cuda", dtype = paddle.float16)2paddle.seed(1234)3prompt = 'a santa claus, a high-quality, detailed, and professional photo'4video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_depth_control/santa.mp4'5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_depth_control"6save_format = "gif"7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)8stable_diffision_path="/home/aistudio/stable-diffusion-v1-5/runwayml/stable-diffusion-v1-5"9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-depth"
10model.process_controlnet_depth(video_path, prompt=prompt, save_path=out_path,save_format = save_format,\
11chunk_size=  16, resolution=384,model_path_list=[stable_diffision_path,controlnet_path])

最终呈现的效果如图6所示：

图6 深度图引导的文本-视频生成效果

边缘引导和 Dreambooth 定制的文本-视频生成

根据用户输入的文本提示、图像边缘和 Dreambooth 定制化模型生成相应视频。

推理代码如下所示：

 1model = Model(device = "cuda", dtype = paddle.float16)2paddle.seed(1234)3prompt = "Noelle with cat ears, blue hair"4video_path = '/home/aistudio/work/Text2Video-Zero_paddle/__assets__/text_to_video_dreambooth/woman1.mp4'5output_dir = "/home/aistudio/work/Text2Video-Zero_paddle/output/text_to_video_dreambooth"6save_format = "gif"7out_path = '{}/{}.{}'.format(output_dir,prompt,save_format)8dreambooth_model_path= '/home/aistudio/dream_outputs'9controlnet_path="/home/aistudio/controlnet/ppdiffusers/lllyasviel/sd-controlnet-canny"
10model.process_controlnet_canny_db(dreambooth_model_path, video_path, prompt=prompt, save_path=out_path,\
11 save_format=save_format,chunk_size=  16, resolution=384, model_path_list=[controlnet_path])

最终呈现的效果如图7所示：

图7 边缘引导和 Dreambooth specialization 定制的文本-视频生成

结语

以上是本项目对 Text2Video-Zero 官方项目的全部实现。现有的文本-视频生成方法大多用于为用户提供灵感，很难为用户提供定制化视频生成服务。通过运动动力学、帧间注意力机制等技术手段对原始的文本-图像模型进行修改，Text2Video-Zero 很好地解决了上述问题，可以基于用户提供的文本提示、待编辑视频、运动姿态、边缘图像、深度图像和 Dreambooth 模型进行文本视频生成。该方法在无需训练的情况下，对主流的文本-图像生成模型进行微调，这意味着用户只需要训练出相应的文本-图像生成模型，就可以进行定制化的文本-视频生成，展现了 Text2Video-Zero 在文本-视频生成领域巨大的潜力。欢迎更多感兴趣的开发者参与到飞桨文本-视频生成生态的建设中，并依托百度飞桨AI技术开发出更多有趣的应用。

参考文献

[1] https://github.com/Picsart-AI-Research/Text2Video-Zero

[2] https://github.com/showlab/Tune-A-Video

[3] https://github.com/PaddlePaddle/PaddleNLP/tree/develop/ppdiffusers

[4] https://aistudio.baidu.com/aistudio/projectdetail/5972296

[5] https://aistudio.baidu.com/aistudio/projectdetail/5912535

往期推荐