网站开发如何挣钱,宣传海报模板,网页设计与制作教程txt,上海自适应网站设计谷歌DeepMind的研究人员推出了#xff0c;首个无需数据标记、无监督训练的生成交互模型——Generative Interactive Environments#xff0c;简称“Genie”。
Genie有110亿参数#xff0c;可以根据图像、真实照片甚至草图#xff0c;就能生成各种可控制动作的视频游戏。Ge…谷歌DeepMind的研究人员推出了首个无需数据标记、无监督训练的生成交互模型——Generative Interactive Environments简称“Genie”。
Genie有110亿参数可以根据图像、真实照片甚至草图就能生成各种可控制动作的视频游戏。Genie之所以有如此神奇功能主要使用了3万小时6800万段的游戏视频进行了大规模训练。
并且在训练过程中没有使用任何真实动作标签或其他特定提示但Genie可以基于帧级别的使用户在生成的环境中进行各种动作控制非常强
值得一提的是Genie是一个通用基础模型也就是说其学到的潜在动作关系、序列、空间可以应用在其他领域中。
论文地址https://arxiv.org/abs/2402.15391
项目地址https://sites.google.com/view/genie-2024/home 时长00:27 Genie功能展示
Genie的核心架构用了ST-Transformer时空变换器。这是一种结合了Transformer模型的自注意力机制与时空数据的特性以有效处理视频、多传感器时间序列、交通流量等时空数据。 ST-Transformer主要通过捕捉数据在时间和空间上的复杂依赖关系提高了对时空序列的理解和预测能力主要有3大模块组成。 将一张草图直接生成可控的小游戏 转化展示
视频分词器
这是一个基于VQ-VAE的模块,可将原始视频帧压缩成离散的记号表示,以降低维度并提高后续模块的视频生成质量。 这个过程类似自然语言处理中的分词将连续的视频帧序列分解为离散的视频片段。
视频分词器使用了ST-transformer来对视频进行编码并生成对应的视频标记。这些标记将作为后续动力学模型的输入用于预测下一帧视频。
潜在动作模型
这是一个无监督学习模块,可从原始视频中推断出观察到的状态变化对应的潜在动作。并根据这些潜在动作实现对每一帧的控制。潜在动作模型通过对视频标记序列进行建模学习到了不同帧之间的动作关系。 具体来说潜在动作模型可以将一个视频标记序列作为输入并生成对应的潜在动作序列。这些潜在动作序列可以用于控制生成环境中的每一帧使用户能够在生成的交互环境中进行精确的操作。
动力学模型
主要基于潜在动作模型学习到的动作关系根据潜在动作和过去的帧标记预测下一帧的视频。可以把该模块看作是一个预测模型通过学习视频序列的动态变化模式能够生成逼真的连续视频。
动力学模型的输入包括前一帧的图像表示和当前帧的动作表示。为了将图像表示和动作表示进行融合Genie采用了一个基于Transformer架构的编码器来对它们进行编码。 在编码器中首先对前一帧的图像进行编码并采用了一种视频标记器的方法将图像分割成若干个离散的标记每个标记代表图像中的一个局部区域。这种分割可以帮助模型捕捉到图像中的空间信息。 当前帧的动作表示也通过编码器进行编码。动作表示可以是离散的动作类别或连续的动作向量具体的形式取决于具体的应用场景。
编码器将动作表示转换为一个固定长度的向量以便与图像表示进行融合。在获得图像表示和动作表示的编码后它们被输入到动力学模型中进行预测。
本文素材来源Genie论文如有侵权请联系删除
