52个AIGC视频生成算法模型介绍

基于Diffusion模型的AIGC生成算法日益火热，其中文生图，图生图等图像生成技术普遍成熟，很多算法从业者开始从事视频生成算法的研究和开发，原因是视频生成领域相对空白。

AIGC视频算法发展现状

从2023年开始，AIGC+视频的新算法层出不穷，其中最直接的是把图像方面的成果引入视频领域，并结合时序信息去生成具有连续性的视频。随着Sora的出现，视频生成的效果又再次上升了一个台阶，因此有必要将去年一年到现在的视频领域进展梳理一下，为以后的视频方向的研究提供一点思路。

AIGC视频算法分类

AIGC视频算法，经过梳理发现，可以大体分为：文生视频，图生视频，视频编辑，视频风格化，人物动态化，长视频生成等方向。具体的输入和输出形式如下：

文生视频：输入文本，输出视频
图生视频：输入图片（+控制条件），输出视频
视频编辑：输入视频（+控制条件），输出视频
视频风格化：输入视频，输出视频
人物动态化：输入图片+姿态条件，输出视频
长视频生成：输入文本，输出长视频

具体算法梳理

▐ 文生视频

CogVideo: Large-scale Pretraining for Text-to-Video Generation via Transformers

机构：清华

时间：2022.5.29

https://github.com/THUDM/CogVideo.

简单介绍：基于两阶段的transformer（生成+帧间插值）来做文生视频

IMAGEN VIDEO

机构：Google

时间：2022.10.5

简单介绍：基于google的Imagen来做的时序扩展，而Imagen和Imagen video都没有开源

Text2Video-Zero: Text-to-Image Diffusion Models are Zero-Shot Video Generators

机构：Picsart AI Resarch

时间：2023.3.23

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

简单介绍：基于图像diffusion model引入corss-frame attention来做时序建模，其次通过显著性检测来实现背景平滑。

MagicVideo: Efficient Video GenerationWith Latent Diffusion Models

机构：字节

时间：2023.5.11

简单介绍：直接将图像SD架构扩展成视频，增加了时序信息

AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning

机构：上海 AI Lab

时间：2023.7.11

https://animatediff.github.io/

简单介绍：基于图像diffusion model，训练一个运动建模模块，来学习运动信息

VideoCrafter1: Open Diffusion Models for High-Quality Video Generation

机构：腾讯 AI Lab

时间：2023.10.30

https://ailab-cvc.github.io/videocrafter

简单介绍：基于diffusion模型，网络架构采用空间和时序attention操作来实现视频生成

▐ 图生视频

AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning

机构：上海 AI Lab

时间：2023.7.11

https://animatediff.github.io/

VideoCrafter1: Open Diffusion Models for High-Quality Video Generation

机构：腾讯 AI Lab

时间：2023.10.30

https://ailab-cvc.github.io/videocrafter

stable video diffusion

机构：Stability AI

时间：2023.11.21

https://stability.ai/news/stable-video-diffusion-open-ai-video-model

简单介绍：基于SD2.1增加时序层，来进行视频生成

AnimateZero: Video Diffusion Models are Zero-Shot Image Animators

机构：腾讯 AI Lab

时间：2023.12.6

https://github.com/vvictoryuki/AnimateZero（未开源）

简单介绍：基于Animate Diff增加了位置相关的attention

AnimateAnything: Fine-Grained Open Domain Image Animation with Motion Guidance

机构：阿里

时间：2023.12.4

https://animationai.github.io/AnimateAnything/

简单介绍：可以针对特定位置进行动态化，通过学习运动信息实现时序信息生成

LivePhoto: Real Image Animation with Text-guided Motion Control

机构：阿里

时间：2023.12.5

https://xavierchen34.github.io/LivePhoto-Page/（未开源）

简单介绍：将参考图，运动信息拼接作为输入，来进行图像的动态化

▐ 视频风格化

Rerender A Video: Zero-Shot Text-Guided Video-to-Video Translation

机构：南洋理工

时间：2023.12.17

https://www.mmlab-ntu.com/project/rerender/

简单介绍：基于SD+controlnet，结合cros-frame attention来风格化视频序列

DCTNet

机构：阿里达摩院

时间：2022.7.6

https://github.com/menyifang/DCT-Net/

简单介绍：基于GAN的框架做的视频风格化，目前支持7种不同的风格

▐ 视频编辑

主要是将深度图或者其他条件图（canny/hed），通过网络注入Diffusion model中，控制整体场景生成，并通过prompt设计来控制主体目标的外观。其中controlnet被迁移进入视频编辑领域，出现了一系列controlnetvideo的工作。

Structure and Content-Guided Video Synthesis with Diffusion Models

机构：Runway

时间：2023.2.6

https://research.runwayml.com/gen1

Animate diff+ControlNet（基于WebUI API）

Video-P2P: Video Editing with Cross-attention Control

机构：港中文，adobe

时间：2023.3.8

https://video-p2p.github.io/

Pix2Video: Video Editing using Image Diffusion

机构：Abode

时间：2023.3.22

https://duyguceylan.github.io/pix2video.github.io/

InstructVid2Vid: Controllable Video Editing with Natural Language Instructions

机构：浙大

时间：2023.5.21

ControlVideo: Training-free Controllable Text-to-Video Generation

机构：华为

时间：2023.5.22

https://github.com/YBYBZhang/ControlVideo

ControlVideo: Conditional Control for One-shot Text-driven Video Editing and Beyond

机构：清华

时间：2023.11.28

https://github.com/thu-ml/controlvideo

Control-A-Video: Controllable Text-to-Video Generation with Diffusion Models

时间：2023.12.6

https://controlavideo.github.io/

StableVideo: Text-driven Consistency-aware Diffusion Video Editing

机构：MSRA

时间：2023.8.18

https://github.com/rese1f/StableVideo

MagicEdit: High-Fidelity and Temporally Coherent Video Editing

机构：字节

时间：2023.8.28

https://magic-edit.github.io/（未开源）

GROUND-A-VIDEO: ZERO-SHOT GROUNDED VIDEO EDITING USING TEXT-TO-IMAGE DIFFUSION MODELS

机构：KAIST

时间：2023.10.2

https://ground-a-video.github.io/

FateZero: Fusing Attentions for Zero-shot Text-based Video Editing

机构：腾讯AI Lab

时间：2023.10.11

https://fate-zero-edit.github.io

Motion-Conditioned Image Animation for Video Editing

机构：Meta

时间：2023.11.30

facebookresearch.github.io/MoCA（未开源）

VidEdit: Zero-shot and Spatially Aware Text-driven Video Editing

机构：Sorbonne Université, Paris, France

时间：2023.12.15

https://videdit.github.io

Zero-Shot Video Editing Using Off-The-Shelf Image Diffusion Models

时间：2024.1.4

https://github.com/baaivision/vid2vid-zero

▐ 人物动态化

主要是通过人体姿态作为条件性输入（结合controlnet等），将一张图作为前置参考图，或者直接使用文本描述生成图片。其中阿里和字节分别有几篇代表性论文，其中字节的代码有两篇已经开源，阿里的代码还在等待阶段。

Follow Your Pose

机构：腾讯AI Lab

时间：2023.4.3

https://follow-your-pose.github.io/

DreamPose: Fashion Image-to-Video Synthesis via Stable Diffusion

机构：google，nvidia

时间：2023.5.4

https://grail.cs.washington.edu/projects/dreampose/

DISCO: Disentangled Control for Realistic Human Dance Generation

机构：微软

时间：2023.10.11

https://disco-dance.github.io

MagicAnimate: Temporally Consistent Human Image Animation using Diffusion Model

机构：字节

时间：2023.11.27

https://showlab.github.io/magicanimate/

MaigcDance

机构：字节

时间：2023.11.18

https://boese0601.github.io/magicdance/

Animate Anyone: Consistent and Controllable Image-to-Video Synthesis for Character Animation

机构：阿里

时间：2023.12.7

https://humanaigc.github.io/animate-anyone/（未开源）

DreaMoving: A Human Video Generation Framework based on Diffusion Model

机构：阿里

时间：2023.12.11

https://dreamoving.github.io/dreamoving（未开源）

▐ 长视频生成

NUWA-XL: Diffusion over Diffusion for eXtremely Long Video Generation

机构：微软亚研院

时间：2023.3.22

https://msra-nuwa.azurewebsites.net/

Latent Video Diffusion Models for High-Fidelity Long Video Generation

机构：腾讯AI Lab

时间：2023.3.20

Gen-L-Video: Multi-Text to Long Video Generation via Temporal Co-Denoising

机构：上海AI Lab

时间：2023.3.29

https://github.com/G-U-N/Gen-L-Video

Sora（OpenAI）

时间：2024.2

https://openai.com/sora（未开源）

Latte: Latent Diffusion Transformer for Video Generation

机构：上海AI Lab

时间：2024.1.5

https://maxin-cn.github.io/latte_project

算法效果分析

本章节选择了一些代表性的方法进行效果分析

Animate Diff

效果：https://animatediff.github.io/，支持文生视频，图生视频，以及和controlnet结合做视频编辑

Animate Diff+ControlNet

输入视频：moonwalk.mp4

输出样例

canny和openpose

注意：要输入主语保证主体一致性（比如michael jackson或者a boy）

AnimateAnything

能够指定图片的运动区域，根据文本进行图片的动态化

效果：

Stable Video Diffusion

能够基于静止图片生成25帧的序列(576x1024)

效果：

ControlVideo

输入+输出样例：500.mp4，300.mp4，整体效果不错

问题：因为推理过程需要额外的训练，消耗时间久，第一个视频需要50min（32帧），第二个视频需要14min（8帧）

300

500

Rerender A Video

输入：

输出：

输入：

输出：

整体效果还可以，运行速度和视频帧数有关，10s视频大约在20min左右。

DCTNet

效果：整体画面稳定，支持7种风格，显存要求低（6-7G），上面视频40s左右就可以处理完

DreamPose

Animate Anyone

MagicDance

输入图片：

输出：

Sora

效果：https://openai.com/sora

能够生成长视频，质量很好，但是尚未开源

总结和展望

文生视频和图生视频算法：其中Animate Diff，VideoCrafter等已经开源，支持文/图生成视频，并且经过测试效果还不错，同时图生视频还支持通过结合不同的base模型实现视频的风格化。不过生成的视频帧数基本都在2s以内，可以作为动图的形式进行展示。其中Stable Video Diffusion是stability ai开源的一个图生视频的算法，效果相对更加逼真，视频质量更高，但是视频长度依旧很短。
视频编辑算法：比如基于controlnet的可控生成视频可以初步达到预期的效果，支持实现特定目标或者属性（颜色等）的更换，也支持人物的换装（比如颜色描述）等等，其中生成的视频长度和GPU显存相关。
视频风格化：基于diffusion 模型的视频风格化效果最好的是rerender a video，可以支持prompt描述来进行视频的风格化，整体来讲这个方法对人脸和自然环境有比较好的效果，运行成本也相对较低（相较于视频编辑算法）
特定的人物动态化算法：目前demo效果最好的animate anyone和dream moving都还没有开源。不过这两个算法都对外开放了使用接口，比如通义千问app以及modelscope平台。重点介绍一下通义实验室的Dream moving，https://www.modelscope.cn/studios/vigen/video_generation/summary是其开放的使用平台，里面支持同款的动作生成，图生视频，视频的风格化以及视频贺卡等功能，整体来讲效果很好。而目前开源的方法中，测试的效果最好的是MagicDance，但是人脸有一定的模糊，距离animate anyone和dream moving展示的效果还有差距。
长视频算法：随着Sora的出现，Diffusion Transformer的架构后续会备受关注，目前大部分算法都局限于2s左右的短视频生成，而且质量上不如Sora。后续会有更多的算法将Sora的思路融入现有的方法中，不断提升视频质量和视频长度。不过目前sora的模型和实现细节并没有在技术报告中公开，因此在未来还会有一段的摸索路要走。
整体总结：

	是否可用	优势	劣势	适用场景	代表性方法
文/图生视频	是	视频质量高	视频长度短	短视频动态封面	Animate Diff（可扩展性强） VideoCrafter（质量较好） Stable Video Diffusion（质量更好）
视频编辑算法	待定	算法种类多，可实现的功能多（修改任意目标的属性）	推理速度较慢，显存要求高，视频长度短	人物换装（最简单的改变衣服颜色），目标编辑，用户体验	ControlVideo（效果好但运行时间久）
视频风格化	是	显存要求相对视频编辑更低，推理速度更快。	画面存在一定的不稳定问题。但是基于GAN的DCTNet相对更稳定	用户体验	Rerender-A-Video（更灵活） DCTNet（效果更稳定）
人物动态化	待定	用户可玩性高	效果最好的代码暂时没有开源，开源的代码生成的人脸会有一定的模糊	用户体验	Animate Anyone（待开源） DreamMoving（待开源） MagicDance（已开源）
长视频生成	否	视频长度远超2s	整体质量偏差（Sora还没开源）	影视制作	Sora