AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
论文一作刘少腾，Adobe Research实习生，香港中文大学博士生（DV Lab），师从贾佳亚教授。主要研究方向是多模态大模型和生成模型，包含图像视频的生成、理解与编辑。作者Tianyu Wang、Soo Ye Kim等均为Adobe Research Scientist。
- 论文地址：https://arxiv.org/pdf/2412.19761
- 项目地址：https://genprop.github.io/
- 视频地址：https://www.youtube.com/watch?v=GC8qfWzZG1M
Text-to-Video 模型已展现出世界模拟器的潜力，这种潜力能革新传统视觉任务吗？
近日，贾佳亚团队联手 Adobe 团队，用 GenProp（Generative Video Propagation）来给出答案。
GenProp 可以完成几乎所有 “传播”（ Propagation）任务，即便是更接近感知任务的实例追踪（Instance Tracking）：
在人们的印象里，追踪（Tracking）问题已经得到了很好的解决。SOTA 方法 SAM 在大规模分割数据上经过了专门的训练，精度很高。然而，传统感知方法的数据标注很难覆盖 “千变万化” 的影子，强如 SAM 也会在这类问题上犯错。
相比于 SAM v2.1，GenProp 展现出了生成模型特有的优势：得益于 video generation 的基础能力，模型可以完整地追踪物体的 side effects，如狗和人的影子、反射等。
这给我们带来了一些启发：
- 能够生成的视觉现象，是否都能够被感知？
- 生成式的大规模预训练，可能会弥补感知模型的一些缺陷。
GenProp 并不追求在某个问题上成为定量的 SOTA，而是希望能够发挥生成模型的作用，拓展每个问题的边界，展现之前方法做不到的事情。接下来，我们会看到 GenProp 对物体移除、视频补全、物体替换、背景替换、物体插入、视频外绘等问题的革新。
对于物体移除，传统方法只能移除物体本身。和追踪问题类似，GenProp 也可以同时移除物体产生的 side effects，如反射、影子。这对于传统方法很困难，因为数据多变、难以收集，需要模型对物理规律有理解。
对于物体插入，GenProp 不仅能插入静止物体，还可以产生合理的独立运动，如行驶的赛车、掉落的柠檬（符合物理规律）。
对于物体替换，GenProp 不止能编辑外观（appearance editing），还能大幅改变替换物体的形状，例如熊变成羊，人变成石台。而依靠 attention map 的传统视频编辑方法，如 Video-P2P，都无法大幅改变形状。
GenProp 还可以编辑特效，如使钓鱼竿着火！须知，现阶段的编辑算法大多围绕物体和场景，对于特效的编辑能力都较弱。
对于背景替换，GenProp 能使生成物体和新背景的相互作用，适应协调：
除此之外，GenProp 在没有 outpainting 数据 pair 训练的情况下，涌现出了 outpainting 的能力，可以补全大面积运动的区域，体现了模型的通用能力：
化繁为简：通用框架与通用数据对
GenProp 允许用户在初始帧上做任意修改，并据此生成后续变化的内容。
在推理过程中，GenProp 的框架通过选择性内容编码器（Selective Content Encoder，SCE）接收原始视频作为输入，以保留未改变区域的内容。首帧所做的更改会通过 Image-to-Video（I2V）模型在整个视频中传播，而其他区域则保持不变。
如图所示，Selective Content Encoder 负责重建原始视频的信息，Image-to-Video 模型负责生产新的视频信息。通过调整 Injection Weight，可以控制生成和重建的比例。
GenProp 的框架在 I2V 生成模型的基础上集成了选择性内容编码器（Selective Content Encoder，SCE）和掩码预测解码器（Mask Decoder），强制模型传播编辑区域的同时，保留原始视频中其他所有区域的内容。通过 Copy & Paste 等合成数据，模型被训练以传播首帧中的各种变化，同时还可以预测每帧中被编辑区域的位置。
如图所示，训练过程中，仅需放开 Selective Content Encoder 和 Mask Decoder 的参数。合成数据只作为 Selective Content Encoder 的输入，用于监督的模型输出数据均采用原始视频，从而保证了模型输出的视频质量不会被降低。这也意味着，原始视频的 caption 可以直接送入 text encoder。
具体来说，文章对实例分割数据采用了多种数据制造技术，针对不同的传播子任务进行了设计：
(1)Copy-and-Paste：从一个视频中随机分割物体并粘贴到另一个视频中，模拟物体移除；
(2)Mask-and-Fill：对遮罩区域进行图像修复，模拟选定区域内的编辑效果；
(3)Color Fill：用特定颜色填充遮罩区域，代表基本的物体跟踪场景。
Copy & Paste 合成数据如图所示（Video1 和 Video2 是随机采样的视频）：
可以看出，GenProp 的数据对并无涵盖所有的应用场景，但数据量很大。通过有限的构造数据，SCE 和 I2V 的分工得到了充分训练，实现了 “无限” 应用，如特效编辑、outpainting 等。
除此之外，GenProp 提出了区域感知损失（Region-Aware Loss）。该 loss 通过限制梯度的方式，削弱了 SCE 对于编辑区域的影响，帮助模型将编辑区域与原始内容区分开来。
可以观察到，在注意力图可视化过程中，注意力图逐渐聚焦于要移除的区域（左边的天鹅），引导 I2V 模型在这些区域内生成新内容，符合训练的预期：
总结
本文搭建了一个通用的框架，把视频生成模型转变为编辑模型 GenProp，可将一帧的修改传播到整个视频。对于去除任务，模型可去除物体的 side effects（如影子、反射）。对于修改任务，模型可修改物体的一小部分，也可进行较大形变的修改。对于背景修改，模型能够生成物体和新背景的相互作用。对于物体插入，模型能够允许物体独立的运动。对于物体追踪，模型能够同时追踪 side effects（如影子、反射）。此外，模型还涌现出了如 outpainting 等新能力。
