CUBE团队 投稿
量子位 | 公众号 QbitAI
在这个信息爆炸的时代，如何让AI生成的视频更具创意，又符合特定需求？
来自香港大学的最新研究《基于事件、无需训练的可控视频生成框架 CUBE》带来一个全新的解决方案。
这一框架利用了事件相机捕捉动态边缘的能力，将AI生成的视频带入了一个新的维度，精准又高效。论文原标题是“Controllable Unsupervised Event-based Video Generation”，
发表于图像处理盛会ICIP并被选为Oral（口头报告），并受邀在WACV workshop演讲。
什么是事件相机？
在深入了解CUBE框架之前，先来认识一下事件相机。
不同于传统相机的定时捕捉，事件相机模仿生物的视觉系统，只捕捉像素点亮度变化的“事件”，就像是只记录画面的精华部分。
这样不仅可以有效减少冗余数据，还可以显著降低耗能。
尤其是在高速动态或光线变化大的场景下，事件相机比传统相机更有优势。而这些独特的“事件数据”正是CUBE框架的核心。
△左：普通相机拍的；右：事件相机拍的
简单说，事件相机和普通相机不同，捕捉的是物体边缘的动态细节，就像你脑中一闪而过的灵感，节省了大量带宽还能省电。
CUBE框架结合了这些“闪现”的边缘数据和文字描述，无需训练就能合成符合需求的视频！这不仅能让你生成的场景更“合胃口”，还能让视频质量、时间一致性和文本匹配度都蹭蹭上涨。
为什么要用CUBE？
其他方法或是需要大量训练数据，或是生成效果欠佳。CUBE框架不仅解决了这些问题，还在多项指标上表现出色。
无论是视觉效果、文本匹配度还是帧间一致性，CUBE都表现优异。
可以这样想：CUBE就像给事件相机配上了智能“滤镜”，让生成的视频不仅生动还符合描述，比如让铁人也能在马路上跳起月球舞步！
CUBE框架是如何工作的？
CUBE的全称是“Controllable, Unsupervised, Based on Events”，直译过来就是“可控的、无需训练的、基于事件的”视频生成框架。
它通过提取事件中的边缘信息，再结合用户提供的文字描述生成视频。在方法上，CUBE主要依赖扩散模型生成技术。
扩散模型通过向图像添加随机噪声并逐步还原来生成图片，但团队进一步优化了这个过程，能让它根据“事件”提供的边缘数据生成视频。
CUBE的核心方法
1. 边缘提取：事件流记录了物体运动的轨迹，而CUBE的首要任务就是将这些事件转换成边缘信息。团队设计了一个边缘提取模块，把事件数据分成多个时间段，提取出关键的空间位置，从而形成精确的边缘图。这些边缘图不仅保留了运动物体的轮廓，还能让视频生成更流畅。
2. 视频生成：有了边缘数据之后，CUBE结合了文字描述生成视频。通过扩散模型的逐步还原过程，可以生成多个与描述相匹配的图像帧，并用插帧技术让视频更加平滑一致。这个过程不需要大量的训练数据，因为CUBE直接调用了预训练的扩散模型来实现高质量生成。
3. 控制性与一致性：采用了ControlVideo框架，这一框架具有优秀的可控性，通过文字描述来控制生成的视频内容，使每帧的生成都符合特定的要求。ControlVideo和CUBE的组合解决了传统方法中视频生成一致性不足的问题，让内容更生动、更贴合描述。
CUBE的性能表现
在实验中，CUBE的表现远超现有方法。在视频质量、文本匹配度和时间一致性等多个指标上，CUBE都取得了优异的成绩。
定量实验显示，CUBE生成的帧间一致性和文本匹配度都比ControlNet、ControlVideo等方法更优。此外，团队还做了用户偏好测试，结果显示参与者普遍更喜欢CUBE生成的视频。
未来展望
当然，CUBE还有提升的空间。未来团队希望将边缘信息和纹理信息结合，使视频更具细节和真实感，同时探索更多领域适用性，甚至将其应用在实时场景中。这一技术不仅适合电影、动画生成等领域，还可以用于自动驾驶、监控等需要快速识别动态环境的场景。
CUBE不仅是一项技术，更是一次在事件相机与AI生成视频领域的新探索。
如果你也对AI生成视频感兴趣，可进一步参考完整论文和开源代码。
论文地址：
https://ieeexplore.ieee.org/abstract/document/10647468
代码已开源：
https://github.com/IndigoPurple/cube
