DragNUWA：通过集成文本、图像和轨迹对视频生成进行细粒度控制
论文地址：https://arxiv.org/abs/2308.08089
DragNUWA 使用户能够直接操纵图像中的背景或对象，模型将这些动作无缝地转换为相机运动或对象运动，生成相应的视频。
DragNUWA，一个开放域的视频生成模型。为了解决现有作品中控制粒度不足的问题，我们同时引入文本、图像和轨迹信息，从语义、空间和时间的角度对视频内容进行细粒度的控制。为解决目前研究中的有限开放域射控问题，我们模型的轨迹有三个方面:一个轨迹采样器(TS)，使开放域控制的任意轨迹，多尺度融合(MF)控制在不同粒度的轨迹，和自适应训练
(AT)策略，以产生一致的视频轨迹。
这里是引用
效果
拖动形成轨迹，轨迹形成视频、 变化相机角度
以拖动（drag）的方式给出运动轨迹，DragNUWA 是一个集成了文本、图像和轨迹控制的系统，可以从语义、空间和时间的角度实现可控的视频生成。
方法
该研究认为文本、图像、轨迹这三种类型的控制是缺一不可的，因为它们各自有助于从语义、空间和时间角度控制视频内容。如下图 1 所示，仅文本和图像的组合不足以传达视频中存在的复杂运动细节，这可以用轨迹信息来补充；仅图像和轨迹组合无法充分表征视频中的未来物体，文本控制可以弥补这一点；在表达抽象概念时，仅依赖轨迹和文本可能会导致歧义，图像控制可以提供必要的区别。
有以拖动（drag）的方式给出运动轨迹、「变换」静态景物图像的相机位置和角度等各种使用方式
轨迹建模
- 使用轨迹采样器（Trajectory Sampler，TS）在训练期间直接从开放域视频流中采样轨迹，用于实现任意轨迹的开放域控制；
- 使用多尺度融合（Multiscale Fusion，MF）将轨迹下采样到各种尺度，并将其与 UNet 架构每个块内的文本和图像深度集成，用于控制不同粒度的轨迹；
- 采用自适应训练（Adaptive Training，AT）策略，以密集流为初始条件来稳定视频生成，然后在稀疏轨迹上进行训练以适应模型，最终生成稳定且连贯的视频。
仓库地址：https://github.com/ProjectNUWA/DragNUWA
