UniEdit：面向视频运动与外观编辑的统一调优自由框架

近期文本导引视频编辑技术在外观编辑（如风格化）方面取得了令人鼓舞的成果。然而，视频运动编辑在时间维度（例如从吃饭变为挥手）方面尚未得到充分探索。本文提出了 UniEdit，一个无需调优即可支持视频运动和外观编辑的框架，利用预训练文本到视频生成器中的强大功能，通过 inversion-then-generation 框架实现。为在保持源视频内容的同时实现运动编辑，基于时间和空间自注意力层分别编码帧间和帧内依赖性的洞见，我们引入了辅助运动参考和重建分支，以产生文本引导的运动和源特征。获得的特征通过时间和空间自注意力层注入主编辑路径。广泛实验表明，UniEdit 涵盖了视频运动编辑和多种外观编辑场景，优于现有方法。我们的代码将公开提供。