VideoPainter - 港中文联合腾讯等机构推出的视频修复和编辑框架

VideoPAInter是什么

VideoPainter 是香港中文大学、腾讯ARC Lab、东京大学、澳门大学等机构推出的视频修复和编辑框架，专门用在处理任意长度的视频内容。VideoPainter基于双分支架构，结合轻量级上下文编码器和预训练的扩散模型，实现高效的背景保留和前景生成。框架支持插件式操作，用户根据需求灵活调整修复效果。VideoPainter 引入 ID 重采样技术，能在长视频中保持对象一致性。VideoPainter构建了 VPData 和 VPBench，目前最大的视频修复数据集，包含超过 39 万段视频剪辑，为大规模训练和评估提供支持。VideoPainter 在视频质量、掩码区域保留和文本对齐等多个指标上展现卓越了性能，为视频修复和编辑领域带来新的突破。

VideoPainter的主要功能

任意长度的视频修复：处理从短片段到长视频的各种内容，修复被遮挡或损坏的部分。
背景保留与前景生成：基于双分支架构，实现背景的精确保留和前景的高质量生成。
文本指导的视频编辑：支持用文本指令进行视频编辑，如添加、删除、替换或修改视频中的对象。
对象一致性维持：在长视频中保持对象的身份一致性，避免出现对象漂移或突变。
插件式控制：支持与不同的扩散模型或LoRA（低秩适配）模型结合，实现多样化的视频生成和编辑需求。

VideoPainter的技术原理

双分支架构：
- 背景分支：基于轻量级上下文编码器提取背景特征，注入到预训练的扩散模型中，确保背景的连贯性。
- 前景分支：基于扩散模型的生成能力，根据文本提示生成前景内容，与背景特征结合，实现高质量的修复。
轻量级上下文编码器：仅包含两层，占用主模型参数的6%，提取背景特征并以分组方式注入到扩散模型中。基于选择性特征融合，将背景特征注入到模型中，避免前景和背景信息混淆。
ID重采样技术：在训练时，增强目标区域的ID信息，提升模型对修复区域的感知能力。在推理时，将前一视频片段的修复区域特征与当前片段结合，确保长视频中对象的一致性。
插件式控制：支持与不同的扩散模型或LoRA模型结合，用户根据需求选择合适的模型进行视频修复或编辑。兼容文本到视频（T2V）和图像到视频（I2V）扩散模型，进一步扩展应用范围。
大规模数据集构建：用先进的视觉模型（如SAM2、Grounding DINO等），自动生成精确的分割掩码和密集的文本描述。构建VPData和VPBench，包含超过39万段视频剪辑，为大规模训练和评估提供支持。