- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈技术
AI短视频制作一本通：文本生成视频、图片生成视频、视频生成视频
第一部分：文本生成视频1. 文本生成视频概述随着人工智能（AI）技术的飞速发展，视频制作领域也迎来了创新的浪潮。文本生成视频是其中的一项令人激动的进展，它利用自然语言处理技术将文本内容转化为视频。 文本生成视频的应用非常广泛，可以根据不同场景和目的进行定制。第二部分：图片生成视频1. 图片生成视频原理图片生成视频是将一系列静态图片转化为视频的过程。在这一部分，我们将探讨图片生成视频的基本原理。 第三部分：视频生成视频1. 视频生成视频原理视频生成视频是一种使用人工智能技术合成新视频的方法。它借助生成对抗网络（GANs）和深度学习模型，可以用于各种应用，包括电影特效、艺术实验和视频内容生成。 步骤2：训练生成模型使用生成对抗网络或其他深度学习模型，对视频数据进行训练。模型将学会从输入数据生成逼真的视频。步骤3：生成新视频一旦训练完成，您可以使用生成模型来合成新的视频内容。 您可以根据需要使用不同的生成模型和后期处理技术。这就完成了本指南的三部分：文本生成视频、图片生成视频和视频生成视频。
3.5K62编辑于 2023-11-07 - 来自专栏开源心路
AI生成视频-Pika
背景介绍 Pika 是一个使用 AI 生成和编辑视频的平台。它致力于通过 AI 技术使视频制作变得简单和无障碍。 Pika 1.0 是 Pika 的一个重大产品升级，包含了一个新的 AI 模型,可以在各种风格下生成和编辑视频,如 3D 动画，动漫，卡通和电影风格。 登录申请Pika Discord https://discord.gg/pika 试用交互命令行生成视频。 大拇指向下 告诉机器人(和 Pika 实验室团队)Pika 做了一些丑陋、错误的东西,或者视频完全没有移动。 重新生成 - 重复提示 使用相同的提示词和参数再生成一个视频。 对于第三次生成，我们将使用 “-camera rotate clockwise” 选项。 注意：以上步骤中的每一个生成命令都应该以回车键结束，这样 PIKA 才会开始生成你的视频片段。
2.1K10编辑于 2023-12-06 - 来自专栏ZackSock
Python生成字符视频
Python生成字符视频 一、前言 在之前也写过生成字符视频的文章，但是使用的是命令行窗口输出，效果不是很好，而且存在卡顿的情况。于是我打算直接生成一个mp4的字符视频。 '11.mp4', fourcc, fps, (w, h)) # 写入视频 writer.write(frame) *** write.release() 有了这些知识，我们就可以开始下一步工作了。 生成的尺寸我们先除了scale，然后再乘font_size。scale是原图的缩小程度，因为像素有很多，所以我们需要先把图片缩小。而为了让我们的字体显示更清楚，我们需要把生成的字符图片放大。 因此需要注意，虽然我们生成的图片看起来单调，但是当font_size设置为5时，得到的图片已经比较大了。因此当你生成长时间的视频时，会花费比较多的时间，生成的视频也比较大。 生成的字符画 可以看到效果还是很不错的。 五、生成字符视频 有了上面的代码，我们就可以对整个视频进行转换了。
91050发布于 2021-05-18 - 来自专栏新智元
16句描述，生成11分钟动画！「女娲」系列新成员：超长视频生成模型NUWA-XL
输入16句简单描述就能生成一段长达11分钟的动画片？ 没错！微软亚洲研究院提出的超长视频生成模型 NUWA-XL 可以根据文字自动生成高质量动画作品。 图1：NUWA-XL 长视频生成流程动态演示 具体而言，如图2所示，NUWA-XL 中的全局扩散模型首先会基于 L 个文本提示生成 L 个视频关键帧，形成视频的「粗略」故事情节。 通过迭代应用局部扩散来生成中间帧，视频的长度将以指数级增加，进而生成非常长的视频。例如，具有 m 深度和 L 局部扩散长度的 NUWA-XL 能够生成具有 O（L^m） 大小的长视频。 Avg FID 起始距离（FID）是一种评估图像生成的度量，用于计算生成帧的平均质量，数值越低越好。B-FVD 视频距离（FVD）则被广泛用于评估生成视频的质量。 表1：NUWA-XL 长视频生成与最先进模型的定量比较（其中 Avg FID 数值越小代表性能越好） NUWA-XL为人工智能视频生成提供新思路 「在长视频生成的研究过程上，我们也咨询了专业的动画制作人员
80920编辑于 2023-05-09 - 来自专栏AI算法能力提高班
VideoCrafter | 图文生成视频
pdf code https://github.com/ailab-cvc/videocrafter image-20231108102745812 Abstract 商用的Text2Video模型可以生成高质量的视频 ，但是不开源，无法研究 VideoCrafter开源了2个模型，Text2Video和Image2Video，其中I2V可以生成1024X576高分辨率的电影质量的视频，在质量上超过其它开源模型，而且是业内第一个开源的的 （I2V模型输入为text和reference image） Contributions T2V模型可以生成高分辨率高质量视频，训练集集为2千万视频和6亿张图像 I2V模型可以很好的保留参考图像的内容、 image-20231108111414839 video diffusion 对视频隐层Z0进行去噪，最后通过VAE解码器在像素空间生成视频 采用3D U-Net架构，包含了时间维度 Denoising 主要在语义水平表征视频内容，同时很少捕捉细节。
2.4K20编辑于 2023-11-09 - 来自专栏AI算法能力提高班
视频生成 | 群魔乱舞
骨架驱动的人形动画生成 输入 人脸图像+视频动画 或者 文本描述 输出 视频 原理简介 人类舞蹈视频生成框架，它基于扩散模型（Diffusion Models，DM）。 旨在根据目标身份和姿势序列生成高质量的定制化人类视频。 使用Minigpt-v2作为视频描述器，生成关键帧的详细描述。 用户可以通过输入文本提示、面部图像或服装图像来生成特定人物的视频。 实验结果： 能够根据指导序列和简单的内容描述（文本提示、图像提示或文本和图像提示）生成高质量和逼真的视频。 总的来说，是一个基于扩散模型的人类视频生成框架，它通过结合文本提示、图像提示和姿势序列来生成定制化的人类视频，具有较高的灵活性和泛化能力。
65820编辑于 2024-01-18 - 来自专栏合集
moviepy，短视频生成
简单说，moviepy可以作为服务端的视频处理，在服务端完成简单的处理，流水线工作。而且考虑到实际上所有的视频处理最后都追踪到 底层的数据处理，理论上知晓视频处理的原理，可以完成甚至开发新的功能。 pip安装 pip install moviepy即可完成安装 opencv opencv也是我们最常用的视频读写库，但是opencv很明显，不太适合简单的视频剪辑，而更适合视频处理的用户，比如完成运动目标检测 /origin/1.mp4') # 读取视频 todo = clip.subclip(0, 5) # 截取视频的前5秒 time_length = clip.duration # 拿到视频的时长 生成列表 random_list = random.sample(count_list, 9) # 从列表中随机选取9个，共计90s bg_audio = editor.AudioFileClip /output/1.mp4', threads=16) # 以16个线程保存视频 这将是一个有趣的东西，计划完成到自动生成营销短视频的程度！
2K20发布于 2021-01-08 - 来自专栏图形学与OpenGL
实验11 B样条曲面生成
由于求值器只提供了对曲线或表面底层描述，需要使用更高层次的NURBS接口来生成B样条曲面。 NURBS接口生成B样条曲面的过程如下。 图A.11（a）生成B样条曲面 5．实验提高 根据控制点(-1.5, -1.5, 2.0)、(-0.5, -1.5, 2.0)、(0.5, -1.5, -1.0)、(1.5, -1.5, 2.0)、 B样条曲面，见图A.11(b)。 图A.11（b）重新生成B样条曲面
2.3K40发布于 2020-10-29 - 来自专栏机器学习炼丹之旅
CS231n：11 生成模型
CS231n第十一节：生成模型 本系列文章基于CS231n课程，记录自己的学习过程，所用视频资料为 2017年版CS231n，阅读材料为CS231n官网2022年春季课程相关材料 本节将介绍一些无监督学习的内容 生成模型 生成模型的定义就是给定一个训练数据，然后生成一些新的样本，保证和所给的训练集有一样的分布。 即下图所示，假设训练集中满足分布 ，我们要做的就是生成一些样本满足分布 ，同时保证 。 生成模型主要有以下这些应用场景： 生成逼真的艺术品图片，拥有超高的分辨率，着色等。 对于生成一张图像，我们可以按照某个顺序逐一生成每个像素，假设第一个像素生成的概率为 ，那么第二个像素生成的概率就定义成 ，表示已经生成像素 的条件下，生成第二个像素的概率，同理第三个像素的概率为 那么，既然解码器负责生成图片，那么我们能否利用这个解码器，使用随机的编码来生成一些新的图片呢？这不就是本文在讨论的生成模型的任务吗。
78810编辑于 2022-08-08 - 来自专栏CSDN技术头条
视频监控“入云”11个理由
VSaaS（视频监控作为一种服务），是指基于云托管的视频监控。该服务通常包括视频录制、存储、远程查看、管理警报、网络安全等内容。据统计，93%的企业已经采用了云解决方案。 本文节选自Dean Drako的白皮书《11 reasons Why Video Surveillance is Moving to the Cloud》。 通过和传统方式视频监控对比来展现云视频监控的吸引力。 1. 自动化部署 基于云的视频监控系统，能够随需应变方便的进行部署。 网络带宽管理必不可少 远程观看视频需要带宽的支持。在本地缓存和收集的视频存储可以直接播放和管理，但大多数的视频存储在云端，需要带宽支持才能够正常访问。 此外，通过在视频传输和访问过程的加密，使得 通用网络浏览器和移动设备访问视频监控云系统非常方便。 11.
3.7K50发布于 2018-02-09 - 来自专栏AI技术探索和应用
浅析SORA视频生成原理
介绍 官网：https://openai.com/sora OpenAI发布了视频生成模型Sora，最大的Sora模型能够生成一分钟的高保真视频。 同时OpenAI称，可扩展的视频生成模型，是构建物理世界通用模拟器的一条可能的路径。 Sora能够生成横屏1920*1080视频，竖屏1080*1920视频，以及之间的所有内容。 这使得Sora可以兼容不同的视频播放设备，根据特定的纵横比来生成视频内容，这也会大大影响视频创作领域，包括电影制作，电视内容，自媒体等。 最新能力突破 （1）画质突破：视频非常高清，细节极其丰富； （2）帧率和连续性突破：视频帧率高、连续性好（无闪烁或明显的时序不一致）； （3）时长突破：相比之前t2v模型仅能生成几秒的时长，Sora可以生成长达 另外，进一步利用GPT将视频标注模型生成的简短文本扩展成更长的文本有利于还利用Sora准确遵循用户文本提示生成高质量视频。
1.8K20编辑于 2024-03-14 - 来自专栏算法一只狗
CoDeF解决生成视频“闪烁”问题
还记得我之前曾经介绍过的一个模型Rerender，这个AI模型能够有效的解决视频生成中“闪烁”问题。可以看到，生成的视频很丝滑，而且人物的动作衔接的很连贯。 好消息是，来自香港科技大学的学生，也很好的解决了视频生成的“闪烁”问题，而且可以任意转换图片风格。同时他们将代码进行开源，可以自己进行操作。他们发布的模型称为CoDeF。 那我们可以先来看看它生成视频的效果：在对于人物的转换上，也表现出很丝滑的效果，动作和形态都比较相似：不仅仅在人物生成上，风景的风格转换也表现很出色：网友看了都直呼应用效果效果确实很好这是疯了把！ 这就是AI视频生成的未来那这个模型到底是什么做到的呢？ 文件然后再生成canonical图片，执行代码后会在results文件夹下生成canonical_0.png第三步，生成视频然后我们可以把自己所要生成的风格图片上传上去，这里可以用Stable Diffusion
61420编辑于 2024-10-09 - 来自专栏算法一只狗
AI解决生成视频“闪烁”问题
在上一期中，我曾经介绍了用ControlNet结合Mov2Mov插件生成新的视频。虽然它能够快速的对视频中的人物进行转换，但是还存在难以解决的闪烁问题。 首先来看看他们生成的视频效果：可以看到，生成的视频很丝滑，而且人物的动作衔接的很连贯。 这样的前景大有用途，我们久可以利用现有的视频生成不同另一种不同的风格。比如把一个雕像转换成一个真实的人物也是轻而易举：从放出的论文中可以看出，作者把这个方法称为“零样本文本指导视频翻译”方法。 利用上面的方法进行生成后，在连续的十几秒中，每一幅图片的细节都生成相似，就能够有效缓解视频闪烁的情况出现。 下图是作者对比Stable-Diffusion的结果：当然，在不同的模型比较上，该作者提出的方法在生成视频的稳定性上效果明显提高：同时，在输入文本中仅需更改几个词语，在视频背景保持不变的情况下，可以不断的调节视频中的细节
91920编辑于 2024-10-10 - 来自专栏算法一只狗
Stable Diffusion用来生成视频
之前我曾经多次介绍过，可以一键生成视频的模型。包括能够有效解决视频闪烁的Rerender A Video模型还有开源的CoDeF模型：这些模型要不就是没有开源，要不就是有一定的上手难度。 它是由Stability AI发布的，一个基于图像模型稳定扩散的生成视频模型。目前它已经提供了相应的模型和开源代码，普通人可以在20秒内简单上手。 稳定视频扩散以两种图像到视频模型的形式发布，能够以每秒 3 到 30 帧之间的可定制帧速率生成 14 和 25 帧。 比如下面的这个视频，可以看到人物的眼睛有一个明显的上移。风景图片转换这里上传了一张蓝色汽车的图片。从视频效果中可以看到，生成的效果使得汽车在运动，且车速较快，因为它的运动模糊效果很强烈。 比如上传的是一张静态的烟花图：它则能够模拟出烟花的动画效果：未来计划 目前仅仅开源了图片生成视频模型，但是未来将会把文本生成视频模型也一并开源。目前可以加入到它的waitlist中尝试一下。
78810编辑于 2024-10-01 - 来自专栏翩翩白衣少年
MuseV：不限视频时长的AI视频生成工具
在不久前 OpenAI Sora 以其优秀且惊人的视频生成效果迅速走红，更是在一众文生视频模型中脱颖而出，成为了文生视频领域的领头羊。 同时它也推动了行业内文生视频技术的发展。 项目介绍 MuseV 是一个基于扩散模型的虚拟人视频生成框架。它采用了新颖的视觉条件并行去噪方案，支持无限长度视频的生成。 只需选择你喜欢的功能模式，输入相应的素材（如图片、文本或视频），它将为你生成高保真的虚拟人视频。同时，你还可以根据需要调整各种参数，实现个性化的创作。 在更大、更高分辨率、更高质量的文本视频数据集上进行训练可能会使 MuseV 更好。 • 有限类型的长视频生成。视觉条件并行去噪可以解决视频生成的累积误差，但当前的方法只适用于相对固定的摄像机场景。 总结 MuseV 以其无限长度视频生成以及对 Stable Diffusion 生态的支持以及多参考图像技术，成为视频生成领域的新兴力量。
2K10编辑于 2024-04-13 - 新添加一篇文章（这样才能触发 save 方法，此前添加的文章不会自动生成摘要来自专栏HelloGitHub
第 11 篇：自动生成文章摘要
# 由于摘要并不需要生成文章目录，所以去掉了目录拓展。 self.excerpt = strip_tags(md.convert(self.body))[:54] super().save(*args, **kwargs) 这里生成摘要的方案是 可以看到很多网站都采用这样一种生成摘要的方式。 span class="meta-nav">→
Windows 11 体验 Stable Diffusion AI 图像生成
Stable Diffusion 已经发展到可以生成以假乱真图像的程度，无论是 AI 作画还是照片生成都已经可以生成得很精细，本文记录使用过程。 CivitAI 主要是模型分享以及社区，用户会在其他人的模型下面回复通过这个模型生成的样本，以及生成时的参数和 seed，方便我们调试其他人模型时可以参考已有的输出进行快速尝试，不然可能会一直觉得自己生成的不够好 本文记录在 Windows 11 下安装、配置、运行 Stable-diffusion 的流程 过程中经常需要访问境外的网站，需要访问国外网站。 webui-user.bat 文件，我在过程中遇到很多问题，没有问题的同志可以跳过这一节 安装 CUDA 11.7 下载链接：https://developer.nvidia.com/cuda-11 选择提示词是一门很神奇的学问，对生成图像的质量至关重要。
Python基础(11)——迭代器&生成器
可迭代对象 以直接作用于 for 循环的数据类型有以下几种： 一类是集合数据类型，如 list 、 tuple 、 dict 、 set 、 str 等； 一类是 generator ，包括生成器和带 生成器都是 Iterator 对象，但 list 、 dict 、 str 虽然是 Iterable ，却不是 Iterator 。 生成器 for i in range(1, 10, 1): print(i) def customRange(star, stop, step): x = star while
Fluid -11- 封面视频背景顺滑加载
在Fluid -2- 随机视频背景切换 中记录了 Fluid 主题背景随机切换的实现方法，但存在加载视频覆盖原始图像背景的情况，本文记录顺滑加载解决方案 。 当前问题 当前问题为背景图像加载较快，视频稍慢 导致背景加载时会有先出现图像，再覆盖另一个视频的尴尬场景 解决思路 放弃图像加载 放弃图像加载是一种解决方案，这样就只会加载视频，没有图像的闪动 但手机端需要加载图像 ，不能放弃图像背景 更重要的原因是图像加载快，用户可以更早地感受到网页在加载 因此不能放弃加载图像 加载更小的视频第一帧图像 又需要图像，同时又让视频覆盖起来顺滑 于是就有了使用视频第一帧图像作为背景图像加载的思路 实现动态背景视频加载 参考 Fluid -2- 随机视频背景切换 获取视频图像第一帧 获取视频第一帧：Python 从视频中提取图像 调整保存图像的质量：Python 图像保存质量设置 保存质量可以低一些 ，使得图像文件小，更快加载 上传图像，获取和视频对应的图像链接 修改 video_url.json 修改 video_url.json 文件 之前的视频链接改为 [视频链接, 图像链接]
从视频到语言: 视频标题生成与描述研究综述
来源：专知本文约5000字，建议阅读9分钟最新视频视频标题生成与描述研究综述论文。 视频标题生成与描述是使用自然语言对视频进行总结与重新表达. 视频标题生成与描述研究历史较为悠久. 随着深度学习技术的发展, 研究人员使用大规模训练数据对深度卷积神经网络(Deep convolutional neural networks, DCNN)进行优化[8-11], 并将其应用于视频特征提取 相关数据集与评价方法 视频标题生成与描述的验证与评价比其他传统的视觉任务(如分类识别[8-11]、目标检测[101-103]、图像/视频检索[104-105]等)更加复杂. , 已能为视频生成简单描述语句, 或为部分视频生成密集描述/结构化描述语句, 推进了视频标题生成与描述任务的进展.
