1月8日 消息:Meta 的 GenAI 團隊推出了名為 Fairy 的視頻到視頻綜合模型，該模型比現有模型更快，時間上更一致。研究團隊展示了 Fairy 在幾個應用中的表現，包括角色 / 物體替換，風格化和長形式視頻生成。

　　比如，只需簡單的文本提示，如 “仿梵高風格”，就足以編輯源視頻。例如，文本命令 “變成雪人” 將視頻中的宇航員變成了雪人。

　　Fairy 的視覺連貫性是一個特別具有挑戰性的問題，因為基于相同提示有無數種方法可以修改給定的圖像。Fairy 使用交叉幀關注機制，這是一種隱式傳播擴散特征的機制，確保了優越的時間連貫性和高保真度的合成。

　　該模型可以在僅14秒內生成大小為512x384像素、120幀(30fps 下的4秒)的視頻，比以前的模型至少快44倍。與 Meta 的 Emu 視頻模型一樣，Fairy 是基于用于圖像處理的擴散模型，經過了視頻編輯的增強。

　　Fairy 在處理源視頻的所有幀時不進行時間降采樣或幀插值，并保持了512的水平輸出視頻的縱橫比。在使用六個 A100GPU 進行測試時，Fairy 能夠在71.89秒內渲染一個27秒的視頻，并保持高度的視覺一致性。

　　Fairy 的性能在一個包含1000個生成樣本的廣泛用戶研究中進行了測試。無論是人類判斷還是定量指標都證實，Fairy 的表現優于 Rerender、TokenFlow 和 Gen-1這三個模型。

　　然而，該模型目前在處理如雨、火災或閃電等動態環境效果方面存在問題，這些效果要么無法很好地融入整個場景，要么會產生視覺錯誤。

　　盡管存在這些問題，研究團隊認為他們的工作在 AI 視頻編輯領域代表了一次重大進展，具有對時間一致性和高質量視頻合成的變革性方法。