北大团队团结兔展发起的 Sora 复现计划,现在有了新成果。
OpenAI 在今年年初扔出一项重大研讨,Sora 将视频生成带入一个新的高度,很多人表示,现在的 OpenAI 一出手就是王炸。然而,众多周知的是,OpenAI 一向并不 Open,关于 Sora 的更多细节我们无从得知。谁能率先发布类 Sora 研讨成了一个热门话题。
今年 3 月初,北大团队团结兔展启动了 Sora 复现计划 ——Open Sora Plan,该项目希望通过开源社区的力量复现 Sora。
项目上线一个月,星标量已经达到 6.6k。
项目地址:https://github.com/PKU-YuanGroup/Open-Sora-Plan
技术报告:https://github.com/PKU-YuanGroup/Open-Sora-Plan/blob/main/docs/Report-v1.0.0.md
现在这个项目终于有了新成果,Open-Sora-Plan v1.0.0 来了,新研讨显著增强了视频生成的质量以及对文本的控制能力。研讨者表示,他们正在训练更高分辨率(>1024)以及更长时间(>10s)的视频。目前该项目已支持国产 AI 芯片(华为昇腾 910b)进行推理,下一步将支持国产算力训练。
项目作者林彬表示:Open-Sora-Plan v1.0.0 可以生成1024×1024分辨率视频,也能生成10 秒、24 FPS 的高清视频。而且它还能够生成高分辨率图象。
下面我们看一下 v1.0.0 的成效(为了揭示,动图进行了一些压缩,会受益一些质量)。
文本到视频生成
提醒:海上的日落。提醒:黎明时分,宁静的海滩,海浪轻轻拍打着海岸,天空被涂上柔和的色调……
提醒:沿海景观从日出到黄昏过渡的延时拍摄……
文本到视频生成的更多成效揭示:
文本到图象生成(512×512 )
视频重修(720×1280)
图象重修(1536×1024):
在实现细节方面,通过团队放出的技术报告,我们得知模型架构 CausalVideoVAE 概览图如下所示:
CausalVideoVAE 架构继承自 Stable-Diffusion Image VAE。为了保证 Image VAE 的预训练权重能够无缝应用到 Video VAE 中,模型结构设计如下:
CausalConv3D:将 Conv2D 转换为 CausalConv3D,可以实现图象和视频数据的团结训练。CausalConv3D 对第一帧进行特殊处理,因为它无法访问后续帧。
初始化:Conv2D 扩展到 Conv3D 常用的方式有两种:平均初始化和中心初始化。但本文采用了特定的初始化方式 tail 初始化。这种初始化方式确保模型无需任何训练就能够直接重修图象,甚至视频。
训练细节:
上图揭示了 17×256×256 下两种不同初始化方式的受益曲线。黄色曲线代表使用 tail init 受益,而蓝色曲线对应中心初始化受益。如图所示,tail 初始化在受益曲线上表现出更好的性能。此外,该研讨发现中心初始化会导致错误累积,导致在长时间内崩溃。
训练扩散模型。与之前的工作类似,该研讨采用了多阶段级联训练方式,总共消耗了 2048 A800 GPU 小时。研讨发现,图象团结训练显着加速了模型收敛并增强了视觉感知,这与 Latte 的研讨结果一致。
不过,目前发布的 CausalVideoVAE(v1.0.0)有两个主要缺点:运动模糊和网格成效。团队正在改进这些缺点,后续版本很快就会上线。
最后附上团队完整名单: