CVPR 2024 | 噪声先验的时域残差学习技术使图生视频更生动

近年来，扩散模型在文本引导的视频生成技术中表现出了显著的优势，然而将这一技术用于图像引导的视频生成领域仍然面临着很大挑战。目前，许多基于扩散模型的图生视频技术，通常将给定的静态图像作为第一帧，采用二维的变分自编码器（2D Variational Auto-Encoder）将第一帧编码为图像潜在编码；然后将该图像潜在编码与加噪的视频潜在编码（即高斯噪声序列）进行拼接，并利用可学习的三维网络（3D-UNet）预测去噪时每一帧的噪声向量；最后，利用预测得到的噪声向量对视频潜在编码进行去噪，得到生成的视频。然而，现有的这些方法针对每一帧的噪声预测方式是独立的，忽视了视频帧序列中的固有相关性，从而无法有效的实现视频与帧之间的连续性建模，容易形成视频内容的跳变。基于这样的问题，我们提出了一种基于图像噪声先验的时域残 ………………………………