国内网站服务器,济南城乡建设官方网站,环球军事最新新闻,濮阳市建设分局网站Picsart人工智能研究所、德克萨斯大学和SHI实验室的研究人员联合推出了StreamingT2V视频模型。通过文本就能直接生成2分钟、1分钟等不同时间#xff0c;动作一致、连贯、没有卡顿的高质量视频。
虽然StreamingT2V在视频质量、多元化等还无法与Sora媲美#xff0c;但在高速运…Picsart人工智能研究所、德克萨斯大学和SHI实验室的研究人员联合推出了StreamingT2V视频模型。通过文本就能直接生成2分钟、1分钟等不同时间动作一致、连贯、没有卡顿的高质量视频。
虽然StreamingT2V在视频质量、多元化等还无法与Sora媲美但在高速运动方面非常优秀这为开发长视频模型提供了技术思路。
研究人员表示理论上StreamingT2V可以无限扩展视频的长度并正在准备开源该视频模型。
论文地址https://arxiv.org/abs/2403.14773
github地址https://github.com/Picsart-AI-Research/StreamingT2V即将开源
传统视频模型一直受训练数据、算法等困扰最多只能生成10秒视频。Sora的出现将文生视频领域带向了一个全新的高度突破了诸多技术瓶颈仅通过文本就能生成最多1分钟的视频。
而StreamingT2V采用了创新的自回归技术框架通过条件注意力、外观保持和随机混合三大模块极大的延长了视频的时间同时保证动作的连贯性。 简单来说StreamingT2V使用了一种“击鼓传花”的方法每一个模块通过提取前一个视频块中的表示特征来保证动作一致性、文本语义还原、视频完整性等。
条件注意力模块
条件注意力模块是一种“短期记忆”,通过注意力机制从前一个视频块中提取特征,并将其注入到当前视频块的生成中,实现了流畅自然的块间过渡,同时保留了高速运动特征。
先使用图像编码器对前一个视频块的最后几帧(例如20帧)进行逐帧编码,得到相应的特征表示并将这些特征送入一个浅层编码器网络(初始化自主模型的编码器权重)进行进一步编码。 然后将提取到的特征表示注入到StreamingT2V的UNet的每个长程跳跃连接处从而借助前一视频块的内容信息来生成新的视频帧,但不会受到先前结构、形状的影响。
外观保持模块
为了保证生成视频全局场景、外观的一致性StreamingT2V使用了外观保持这种“长期记忆”方法。
外观保持从初始图像锚定帧中提取高级场景和对象特征并将这些特征用于所有视频块的生成流程。这样做可以帮助在自回归过程中保持对象和场景特征的连续性。 此外现有方法通常只针对前一个视频块的最后一帧进行条件生成忽视了自回归过程中的长期依赖性。通过使用外观保持可以使用初始图像中的全局信息从而更好地捕捉到自回归过程中的长期依赖性。
随机混合模块
前两个模块保证了StreamingT2V生成的视频大框架但是在分辨率、质量方面还有欠缺而随机混合模块主要用来增强视频的分辨率。
如果直接增强质量会耗费大量AI算力、时间所以随机混合采用了自回归增强的方法。
首先研究人员将低分辨率视频划分为多个长度为24帧的视频块,这些块之间是有重叠的。然后,利用一个高分辨率的视频模型,对每一个视频块进行增强,得到对应的高分辨率视频块。 例如有两个重叠的视频块A和B,重叠部分包含20帧。对于重叠部分的每一帧,随机混合模块会从A块和B块中各取出一帧,然后对这两帧进行加权平均,生成一个新的混合帧。通过这种方式,重叠部分的每一帧都是A块和B块对应帧的随机混合。
而对于不重叠的部分,随机混合模块则直接保留原始视频块中的帧。经过随机混合后的视频块就可以输入到高分辨率模型中进行增强。
研究人员指出如果让相邻的两个视频块直接共享完全相同的重叠帧,会导致视频在过渡处出现不自然的冻结和重复效果。而随机混合模块通过生成新的混合帧,很好地规避了这个难题,使得块与块之间的过渡更加平滑自然。 实验数据显示, StreamingT2V生成的1分钟、2分钟长视频不仅保持了高分辨率和清晰画质,整体的时间连贯性也得到了很大提升。视频中的物体运动姿态丰富场景和物体随时间的演变更加自然流畅,没有突兀的断层或冻结情况出现。
本文素材来源StreamingT2V论文如有侵权请联系删除
END
