Vlogger：把你的梦想变成Vlog

paper：https://arxiv.org/abs/2401.09414

code：https://github.com/zhuangshaobin/vlogger

看起来挺有意思的，有空读一下

本文提出Vlogger，一种用于生成用户描述的分钟级视频博客(即vlog)的通用人工智能系统。与几秒钟的短视频不同，vlog通常包含复杂的故事情节和多样化的场景，这对大多数现有的视频生成方法来说是一个挑战。为突破这一瓶颈，该Vlogger巧妙地利用大型语言模型(LLM)作为导演，并将vlog的长视频生成任务分解为四个关键阶段，调用各种基础模型来发挥vlog专业人员的关键作用，包括(1)脚本，(2)演员，(3)ShowMaker和(4)Voicer。通过这种模仿人类的设计，我们的Vlogger可以通过自上而下的规划和自下而上的拍摄的可解释的合作来生成vlog。提出了一种新的视频扩散模型ShowMaker，在视频博主中充当摄像师，生成每个拍摄场景的视频片段。通过融合脚本和演员注意力作为文本和视觉提示，可以有效增强片段的时空连贯性。为ShowMaker设计了一种简洁的混合训练范式，提高了其生成T2V和预测的能力。广泛的实验表明，所提出方法在零样本T2V生成和预测任务上取得了最先进的性能。更重要的是，Vlogger可以从开放世界的描述中生成超过5分钟的vlog，而不会损失脚本和演员的视频连贯性。

 图1所示。Vlogger概述。基于用户故事，所提出的Vlogger利用大型语言模型(LLM)作为指导，将一分钟长的vlog生成任务分解为四个关键阶段，有剧本，演员，制作人和配音。此外，ShowMaker是一种新的视频扩散模型，用于生成视频片段。每个拍摄场景，与剧本和演员一致。