要約
ビジュアルストーリーテリングは、テキストのストーリーラインから一貫性のあるキャラクターとシーンを維持しながら、連続的なフレームを生成することを指します。既存の自己回帰的手法は、前のフレームと文のペアに依存しており、高メモリ使用量、遅い生成速度、および限られたコンテキスト統合という問題に直面しています。これらの課題に対処するため、我々は新しいフレームワークであるContextualStory（コンテクスチュアルストーリー）を提案します。このフレームワークは一貫性のあるストーリーフレームの生成とビジュアルストーリーテリングのフレーム拡張を目的としています。ContextualStoryは空間強化時系列注意機構（Spatially-Enhanced Temporal Attention）を使用して空間的および時間的依存関係を捉え、キャラクターの大移動を効果的に処理します。さらに、我々はストーリーラインコンテキストライザー（Storyline Contextualizer）を導入し、ストーリーライン埋め込みのコンテキストを豊かにし、またストーリーフローアダプタ（StoryFlow Adapter）を使用してフレーム間のシーン変化を測定し、モデルのガイダンスを行います。PororoSVおよびFlintstonesSVデータセットにおける広範な実験により、ContextualStoryが既存の最先端手法（SOTA方法）よりも大幅に優れていることが示されました。コードはhttps://github.com/sixiaozheng/ContextualStoryで入手可能です。