Motion Dreamer概述简介

Motion Dreamer是香港科技大学（广州）研究者提出的视频生成框架，生成运动合理视频。基于两阶段生成方式，先基于输入图像和运动条件生成中间运动表示，再利用该表示生成高细节视频。其引入实例流这一新运动模态，可实现从稀疏到密集的运动控制，用户通过提供稀疏运动提示，模型能生成时间连贯视频。训练时采用随机掩码实例流策略，提升模型推理能力和泛化能力。在Physion数据集及自动驾驶数据集上的实验表明，Motion Dreamer在运动连贯性和物理合理性方面显著优于其他模型，同时生成高质量视频。

Motion Dreamer的功能特色

生成物理连贯的视频：作为一个两阶段视频生成框架，Motion Dreamer能生成符合物理规律的视频。在第一阶段，模型基于输入图像和运动条件生成中间运动表示，如分割图或深度图，专注于运动本身；在第二阶段，采用中间运动表示生成高细节的视频。

实现稀疏到密集的运动控制：引入了实例流这一新的运动模态，用户可以提供稀疏的运动提示，如表示平均光流的方向箭头，模型能生成像素对齐的密集运动表示，实现时间连贯的视频生成。

增强模型推理能力：采用随机掩码实例流的训练策略，训练时随机掩码部分实例流，要求模型重建完整的密集运动表示，促使模型推断缺失的运动提示，提高了模型的泛化能力和基于推理的运动生成效果。

Motion Dreamer的技术原理

两阶段生成框架

第一阶段：运动推理：基于输入图像和运动条件，生成中间运动表示，如分割图或深度图，专注于运动本身。这一阶段采用基于扩散的视频生成模型，强调低频运动表示，以提高时间连贯性。具体来说，模型会预测光流、实例分割图和深度图等中间运动表示，这些表示共同构成了对场景动态的全面描述。

第二阶段：高保真视频合成：利用第一阶段生成的中间运动表示作为条件，生成高细节的视频。通过将运动推理与视频合成解耦，使得模型能够更准确地生成符合物理规律的运动，同时保持视频的高质量细节。

实例流：实例流是一种新的稀疏到密集的运动模态，用于连接人类输入与密集运动表示。为了将实例流有效地整合到模型中，会准备多尺度版本的实例流，匹配网络中不同尺度的特征图。然后通过Softmax Splatting函数，根据流场将特征图进行变形，将特征分布到新的位置，无缝地整合运动信息，同时保持可微性以支持端到端训练。

随机掩码实例流训练策略：在训练过程中，随机掩码部分实例流，要求模型重建完整的密集运动表示。促使模型推断缺失的运动提示，增强模型的泛化能力和基于推理的运动生成效果。通过训练模型处理不完整的运动信息，能更好地理解和预测对象之间的交互以及合理的运动轨迹，即使在输入稀疏的情况下也能生成合理的运动。

Motion Dreamer项目介绍

项目官网：https://envision-research.github.io/MotionDreamer

Github仓库：https://github.com/EnVision-Research/MotionDreamer

arXiv技术论文：https://arxiv.org/pdf/2412.00547

Motion Dreamer能做什么？

视频内容创作：在电影、电视剧、广告等视频内容制作中，Motion Dreamer可以生成高质量且物理连贯的视频片段，为创作者提供更多的创意空间和素材选择。

动画制作：对于动画电影和游戏动画的制作，Motion Dreamer能生成逼真的角色动画，减少手动动画制作的时间和成本，提高动画制作的效率。

沉浸式体验：在VR和AR应用中，Motion Dreamer可以生成逼真的虚拟场景和动态效果，为用户提供更加沉浸式的体验。

交互式应用：通过用户输入稀疏的运动提示，Motion Dreamer能生成与用户交互的动态内容，实现更加自然和流畅的交互体验。

驾驶场景模拟：Motion Dreamer可以在自动驾驶领域用于生成各种复杂的驾驶场景，帮助测试和优化自动驾驶算法。

交通流量分析：用Motion Dreamer生成的大量驾驶场景数据，可以进行交通流量分析和预测，为城市交通规划和管理提供参考依据。