DiffuEraser: 一种基于扩散模型的视频修复技术

视频修复算法结合了基于流的像素传播与基于Transformer的生成方法，利用光流信息和相邻帧的信息来恢复纹理和对象，同时通过视觉Transformer完成被遮挡区域的修复。然而，这些方法在处理大范围遮挡时常常会遇到模糊和时序不一致的问题，这凸显了增强生成能力模型的重要性。近期，由于扩散模型在图像和视频生成方面展现出了卓越的性能，已成为一种重要的技术。在本文中，我们介绍了DiffuEraser，这是一种基于稳定扩散的视频修复模型，旨在以更丰富的细节和更连贯的结构填充被遮挡区域。我们融入了先验信息以提供初始化和弱条件约束，这有助于减轻噪声伪影并抑制幻觉现象。此外，为了提高长序列推理过程中的时序一致性，我们扩展了先验模型和DiffuEraser的时序感受野，并利用视频扩散模型的时序平滑特性进一步增强了一致性。实验结果表明，我们提出的方法在内容完整性和时序一致性方面均优于当前最先进的技术，同时保持了可接受的效率。

图1. 所提模型DiffuEraser与Propainter的性能比较。

（a）纹理质量：与基于Transformer的Propainter相比，DiffuEraser生成的纹理更加详细和精细。（b）时序一致性：与Propainter相比，DiffuEraser在修复内容中展现出了更优的时序一致性。

引言

视频修复旨在用既合理又时序一致的内容来填补被遮挡的区域。以往的视频修复算法主要依赖于两种机制：

1）基于流的像素传播方法，该方法利用光流，通过借鉴相邻帧的信息来恢复纹理细节和对象；以及
2）基于Transformer的视频修复方法，该方法在完善对象的结构方面表现出色[26]。

当前的主流算法通常将这两种方法相结合，包含三个模块或阶段：
1）流完成，
2）特征传播，以及
3）内容生成。

该解决方案将被遮挡的像素分为两类：
1）已知像素，这些像素在某些被遮挡的帧中出现过，并可以通过流完成和特征传播模块传播到其他帧，确保修复后的内容与未遮挡区域的一致性；以及
2）未知像素，这些像素在任何被遮挡的帧中都未出现过，由内容生成模块生成，从而增强结果的结构完整性。

最先进的算法Propainter[46]就是这一方法的例证，它包含三个关键模块：循环流完成、双域传播和掩码引导稀疏Transformer。它有效地将所有帧中的已知像素进行传播，并初步展现出生成未知像素的能力。然而，当遮挡区域较大时，Transformer模型的生成能力显得不足，导致显著的人工痕迹，如图1所示。

因此，需要具有更强生成能力的更强大模型。最近在图像和视频生成领域崭露头角的稳定扩散模型成为了一个有前景的候选者。

在本研究中，我们首先将视频修复任务分解为三个子问题，然后为每个子问题提出相应的解决方案。具体来说，三个关键挑战是：已知像素的传播、未知像素的生成以及修复后内容的时序一致性。我们的主要贡献总结如下：

视频修复扩散：我们为基于扩散模型的图像修复模型BrushNet引入了一个运动模块。扩散模型强大的生成能力克服了基于Transformer模型所关联的模糊和马赛克人工痕迹，从而完善了对象结构并生成了更详细的内容。
注入先验：我们将先验信息融入扩散模型，使得初始化更容易，以减轻噪声人工痕迹，并作为弱条件来抑制不期望对象的生成。
增强时序一致性：我们通过扩展先验模型和扩散模型的时序感受野，提高了长序列推理的时序一致性。此外，我们还利用视频扩散模型的时序平滑特性，进一步增强了片段之间交界的时序连续性。

DiffuEraser的优势主要体现在以下几个方面：

详细的纹理和精细的结构：
- DiffuEraser能够生成比基于Transformer的同类算法（如Propainter）更加详细和精细的纹理。这意味着在视频修复过程中，它能够更真实地还原被遮挡或损坏区域的细节。
优越的时序一致性：
- 在处理长序列视频时，DiffuEraser能够展示出比传统方法更优越的时序一致性。这对于保持视频整体的流畅性和连贯性至关重要，特别是在需要修复大范围遮挡区域时。
结合先验信息：
- DiffuEraser融入了先验信息，这有助于提供初始化和弱条件约束。这种方法有助于减轻修复过程中可能出现的噪声伪影，并抑制幻觉现象，从而提高修复结果的准确性和真实性。
扩展的时序感受野：
- 为了进一步提高时序一致性，DiffuEraser扩展了其时序感受野。这意味着它能够更好地捕捉和利用视频帧之间的时间关系，从而生成更加连贯和一致的修复结果。
利用视频扩散模型的时序平滑特性：
- DiffuEraser还利用了视频扩散模型的时序平滑特性，这进一步增强了其修复结果的一致性。这一特性有助于在视频修复过程中保持整体的平滑性和连贯性。
高效的性能：
- 尽管DiffuEraser在内容完整性和时序一致性方面表现出色，但它仍然保持了可接受的效率。这意味着它能够在合理的时间内完成高质量的视频修复任务。

综上所述，DiffuEraser以其详细的纹理、优越的时序一致性、结合先验信息的能力、扩展的时序感受野、利用视频扩散模型的时序平滑特性以及高效的性能等优势，在视频修复领域具有显著的优势。

DiffuEraser的原理主要基于稳定扩散的视频修复模型。以下是对其原理的详细解释：

一、基于稳定扩散的模型架构

DiffuEraser利用了扩散模型在图像和视频生成方面的优势。扩散模型是一种生成模型，它通过学习数据分布来生成新的样本。在视频修复任务中，DiffuEraser通过稳定扩散的过程，逐步从噪声中生成出与视频内容一致的修复结果。

二、融合先验信息与弱条件约束

在修复过程中，DiffuEraser融入了先验信息来提供初始化和弱条件约束。这些先验信息可能来自于视频的其他部分、相邻帧或外部数据库等。通过利用这些信息，DiffuEraser能够更好地理解视频的整体结构和内容，从而生成更加准确和连贯的修复结果。

三、处理时序一致性问题

为了保持视频的时序一致性，DiffuEraser采用了多种策略。首先，它扩展了时序感受野，以便更好地捕捉和利用视频帧之间的时间关系。其次，DiffuEraser利用了视频扩散模型的时序平滑特性，通过平滑处理来减少帧与帧之间的不一致性。这些策略共同确保了修复后的视频在时序上保持连贯和一致。

四、详细纹理与精细结构的生成

DiffuEraser在生成修复结果时，注重细节和结构的完整性。它利用扩散模型的生成能力，逐步填充被遮挡或损坏的区域，并生成出与周围内容相匹配的详细纹理和精细结构。这使得修复后的视频在视觉上更加真实和自然。

综上所述，DiffuEraser的原理是基于稳定扩散的视频修复模型，通过融合先验信息与弱条件约束、处理时序一致性问题以及生成详细纹理与精细结构等策略，实现了高质量的视频修复效果。

相关工作

扩散模型。扩散模型[14, 32, 34]的出现极大地提升了图像和视频生成的质量和创造性。在图像合成领域，扩散模型推动了包括文本到图像生成[5, 29]、可控图像生成[24, 43]、图像编辑[1, 12, 22]、个性化图像生成[6, 28]以及图像修复[27, 16]在内的多种任务的显著进步。在这些进展的基础上，结合了额外运动模块的视频扩散模型也获得了广泛关注。该领域的关键应用包括文本到视频生成[11, 8, 10, 13, 15, 31]、可控视频生成[3, 4, 36, 39]、视频编辑[19, 23, 38, 21]以及各种无需训练的视频合成方法[44, 25]。

视频修复。视频修复旨在用合理的内容填补视频中的遮挡区域，同时保持时序一致性。基于3D卷积和移位操作的早期方法性能有限。利用光流和Transformer架构的方法的出现显著提高了视频修复的质量。基于流的像素传播方法[7, 41, 42]擅长利用相邻帧的信息来恢复纹理和细节。相比之下，基于Transformer的方法[40, 20, 18, 46]则擅长完善对象的结构。其中，Propainter[46]作为一种代表性方法脱颖而出，它包含了循环流完成、双域传播和掩码引导稀疏Transformer。Propainter有效地将所有帧中的已知像素进行传播，并初步展现出生成未知像素的能力。然而，在处理大遮挡区域时，其生成能力有限，导致明显的人工痕迹。

随着扩散模型的日益流行，基于扩散的视频修复方法也开始出现[17, 37, 30, 9, 45, 47]。这些方法利用扩散模型强大的生成能力来增强修复区域的细节和结构完整性，从而解决了基于Transformer方法中存在的一些限制。BIVDiff[30]是一个无需训练的框架，通过桥接图像和视频扩散模型来实现。AVID[45]（此处未提供详细描述，但假设为另一种视频修复方法）……

图2。基于稳定扩散的所提视频修复模型DiffuEraser的概述。主要去噪UNet执行去噪过程以生成最终输出。BrushNet分支从遮挡图像中提取特征，这些特征在经过一个零卷积块后逐层添加到主要去噪UNet中。在自注意力和交叉注意力之后融入了时序注意力以提高时序一致性。