AnimateDiff论文解读-基于Stable Diffusion文生图模型生成动画

论文： 《AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning》
github: https://github.com/guoyww/animatediff/

1. 摘要

随着文生图模型Stable Diffusion及个性化finetune方法：DreamBooth、LoRA发展，人们可以用较低成本生成自己所需的高质量图像，这导致对于图像动画的需求越来越多。本文作者提出一种框架，可将现有个性化文生图模型所生成图片运动起来。该方法内核为在模型中插入一个运动建模模块，训练后用于蒸馏合理的运动先验。一旦训练完成，所有基于同一个文生图模型的个性化版本都可变为文本驱动模型。作者在动画、真实图上验证，AnimateDiff生成视频比较平滑，同时保留域特性及输出多样性。

2. 引言

作者提出的AnimateDiff，可对于任意个性化文生图模型生成动图，收集每个个性化域对应视频进行finetune是不方便的，因此作者设计运动建模模块，在大规模视频上进行finetune，学习到运动先验。

3. 算法

AnimateDiff结构如图2所示，

3.1 Preliminaries

作者使用通用文生图模型SD，对于个性化图像生成领域，如果采集目标域数据进行finetune模型，成本大，DreamBooth通过设置稀有字符串作为目标域标志，同时增加原始模型生成图像进行训练，减少信息丢失；LoRA训练模型参数差值∆W，为降低计算量，作者将∆W解耦为两个低秩矩阵，只有transformer block中映射矩阵参与finetune。

3.2. Personalized Animation

Personalized Animation定义为：给出个性化文生图模型，比如DreamBooth或LoRA，通过少量训练成本或不训练即可驱动生成器，保留原始域信息及质量。
为达到上述目的，常规方案是扩展模型增加关注时间的结构，通过大量视频数据学习合理运动先验，但是个性化视频收集成本大，有限视频将导致源域信息丢失。
对此，作者选择训练泛化性运动建模模块，推理时将其插入文生图模型，作者实验验证发现，该模块可用于任何基于同一基础模型的文生图模型，因为几乎未改变基础模型特征空间，ControlNet也曾证明过。

3.3 Motion Modeling Module

网络扩展：
原始SD仅能用于处理图像数据，若要处理5D视频张量（batch$\times$channels$\times$frames$\times$height$\times$width），则需要扩展网络，作者将原模型中每个2D卷积及attention层转换到仅关注空间的伪3D层，将frame维度合并到batch维度。新引入的运动模块可在每个batch中跨帧执行，使得生成视频跨帧平滑，内容一致，细节如图3所示。

运动建模模块设计：
该模块主要用于高效交换跨帧信息，作者发现普通的时空transformer足够建模运动先验。其由几个self-attention在时空维执行，特行图z的空间维度height、width reshape到batch维度，得到长度frames的$batch\ast height\ast width$的序列，该映射特征经过几个self-attention block，如式4，

使得该模块可以捕获帧序列同一位置之间时空依赖性；为扩大感受野，作者在U型扩散网路每个分辨率层级引入该模块；此外，self-attention中增加正弦位置编码，使得网络关注当前帧时空位置。

训练目标函数：
训练过程：采样视频数据，通过预训练编码器，编码到隐空间，经过运动模块扩展的扩散网络，将噪声隐向量及对应文本prompt作为输入，预测增加到隐向量上的噪声，如式5，

4. 实验

如图4，作者展示不同模型效果；

图5，作者比较AnimateDiff与Text2Video-Zero，帧与帧之间内容一致性，Text2Video-Zero内容缺少细粒度一致性。

消融实验：

表2作者比较3种不同扩散机制，可视化结果如图6，Schedule B达到两者均衡。

5.限制

作者发现个性化文生图模型数据域为非逼真图片，更容易生成失败，如图7，有明显伪影，不能生成合理运动，归因于训练视频与个性化模型之间存在较大分布差异。可通过收集目标域视频finetune解决。

6. 结论

作者提出AnimateDiff，可将大多数个性化文生图模型进行视频生成，基于简单设计的运动建模模块，在大量视频数据学习运动先验，插入个性化文生图模型用于生成自然合理的目标域动图。