検索
ホームページテクノロジー周辺機器AI昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

Sora の立ち上げが成功したことにより、ビデオ DiT モデルは幅広い注目と議論を集めました。安定した非常に大規模なニューラル ネットワークの設計は、視覚生成の分野において常に研究の焦点となってきました。 DiT モデルの成功により、スケーリング画像生成に新たな可能性がもたらされました。

しかし、ビデオ データは高度に構造化され複雑な性質を持っているため、DiT をビデオ生成の分野に拡張することは困難な作業です。上海人工知能研究所などの研究チームで構成されたチームは、大規模な実験を通じてこの疑問に答えた。

昨年 11 月、チームは Latte と呼ばれる自社開発モデルをリリースしました。そのテクノロジーは Sora に似ています。 Latte は世界初のオープンソースの文生ビデオ DiT であり、広く注目を集めています。 Open-Sora Plan (PKU) や Open-Sora (ColossalAI) などの多くのオープン ソース フレームワークは、Latte のモデル設計を使用および参照しています。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

  • オープンソースリンク: https://github.com/Vchitect/Latte
  • プロジェクトのホームページ: https://maxin-cn.github.io/latte_project/
  • ペーパーリンク: https:/ /arxiv.org/pdf/2401.03048v1.pdf

まず、Latte のビデオ生成効果を見てみましょう。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

メソッドの紹介

一般に、Latte には、事前トレーニングされた VAE とビデオという 2 つの主要なモジュールが含まれています。ディット。事前トレーニングされた VAE では、エンコーダーはビデオをピクセル空間から潜在空間にフレームごとに圧縮する役割を担い、ビデオ DiT はトークンを抽出し、時空間モデリングを実行して潜在表現を処理する役割を担います。ビデオを生成するためのピクセル空間の機能。最高のビデオ品質を得るために、研究者らは、Latte 設計における 2 つの重要な側面、つまりビデオ DiT モデルの全体的な構造設計とモデル トレーニングのベスト プラクティスの詳細に焦点を当てました。

(1) Latte 全体モデル構造設計検討

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

図 1 Latte モデルの構造とそのバリアント

著者は 4 つの異なる Latte バリアント (図 1) を提案し、時空間的注意メカニズムの観点から 2 つの Transformer モジュールを設計しました。各モジュールで学習:

1. 単一の注意メカニズム モジュール、各モジュール にのみ時間または空間の注意が含まれます

  • 時空間インターリーブ モデリング (バリアント 1): 時間モジュールは各空間モジュールの後に挿入されます。
  • 時空間シーケンシャル モデリング (バリアント 2): 時間モジュールは完全に空間モジュールの後に配置されます。

2. 複数の注意メカニズム モジュール、各モジュール には時間的および空間的注意メカニズムの両方が含まれています (Open-sora 参照バリアント)

  • 連続時空間注意メカニズム (バリアント 3): 時空間注意メカニズムの連続モデリング。
  • 並列時空間注意メカニズム (バリアント 4): 時空間注意メカニズムの並列モデリングと機能融合。

実験では、4 つのモデル バリアントに同じパラメーター量を設定することにより、バリアント 4 が他の 3 つのバリアントよりも FLOPS のパフォーマンスが優れていることがわかります (図 2)。明らかな違いがあるため、FVD も相対的に最も高くなります。他の 3 つのバリアントも全体的なパフォーマンスは同様です。バリアント 1 が最高のパフォーマンスを達成しました。今後、大規模データについてさらに詳細な議論を行う予定です。」

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

#図 2. モデル構造 FVD

(2) Latte モデルとトレーニングの詳細最適な設計の探索 (ベスト プラクティス)

モデルの全体的な構造設計に加えて、著者は他のモデルやトレーニングの生成効果に影響を与える要因も探索しました。 。

1.トークン抽出: 単一フレーム トークン (a) と時空間トークン (b) の 2 つの方法が検討されました。前者は空間レベルでのみトークンを圧縮します。後者は時空間情報を同時に圧縮します。実験の結果、単一フレーム トークンは時空間トークンよりも優れていることがわかりました (図 4)。 Sora と比較すると、Sora が提案する時空間トークンはビデオ VAE によって時間次元で事前圧縮されており、潜在空間における Latte の設計と同様に、単一フレームのトークン処理のみが実行されると著者は推測しています。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

#図 3. トークン抽出方法、(a) 単一フレーム トークンと (b) 時空トークン

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

#図 4. トークン抽出 FVD

2. 条件付き注入モード: (a) S-AdaLN の探索(b) すべてのトークンは双方向です (図 5)。 S-AdaLN は、正規化で条件情報を変数に変換し、MLP を通じてモデルに注入します。 [すべてのトークン] フォームは、すべての条件をモデルへの入力として統合トークンに変換します。実験では、S-AdaLN メソッドがすべてのトークンよりも高品質の結果を得るのに効果的であることが示されました (図 6)。その理由は、S-AdaLN により各モジュールに情報を直接注入できるためです。ただし、すべてのトークンは条件付き情報を入力から最終層までレイヤーごとに渡す必要があり、情報フローのプロセスで損失が発生します。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説図 5. (a) S-AdaLN と (b) すべてのトークン。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説図 6. 条件付き注入法 FVD

3.

時空間位置エンコーディング: 絶対位置エンコーディングと相対位置エンコーディングを調べます。 異なる位置エンコーディングは最終的なビデオ品質にほとんど影響を与えません (図 7)。生成時間が短いため、位置エンコーディングの違いはビデオ品質に影響を与えるほどではありませんが、長いビデオを生成する場合は、この要素を再検討する必要があります。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

図 7. 位置エンコード方式 FVD

4.

モデルの初期化 : ImageNet の事前トレーニング パラメーターの初期化を使用した場合のモデルのパフォーマンスへの影響を調査します。実験の結果、 ImageNet を使用して初期化されたモデルの方が収束速度が速いことがわかりましたが、トレーニングが進むにつれて、ランダムに初期化されたモデルの方がより良い結果が得られます (図 8)。考えられる理由は、ImageNet とトレーニング セット FaceForensics の間に比較的大きな分布の差があるため、モデルの最終結果を促進できなかったことです。 Vincent ビデオ タスクでは、この結論を再検討する必要があります。一般的なデータセットの配布では、画像とビデオのコンテンツの空間分布は類似しており、事前トレーニングされた T2I モデルの使用により T2V を大幅に促進できます。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

図 8. 初期化パラメータ FVD

5.

画像とビデオの共同トレーニング: 共同トレーニング用にビデオと画像を統一トークンに圧縮します。ビデオ トークンはすべてのパラメータの最適化を担当し、画像トークンは空間パラメータの最適化のみを担当します。 共同トレーニングにより、最終結果が大幅に改善されました (表 2 および表 3). 画像 FID とビデオ FVD の両方が共同トレーニングによって減少しました. この結果は、UNet ベースのフレームワークと一致しています [2][3] 』は一貫している。

6.

モデル サイズ : S、B、L、XL の 4 つの異なるモデル サイズを検討しました (表 1)。 ビデオ DiT の規模を拡大すると、生成されるサンプルの品質が大幅に向上します (図 9)。この結論は、その後のスケールアップのためにビデオ拡散モデルで Transformer 構造を使用することが正しいことも証明します。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説#表 1. さまざまなサイズのラテ モデル スケール

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

図 9. モデル サイズ FVD

定性分析および定量分析

著者4 つの学術データセット (FaceForensics、TaichiHD、SkyTimelapse、UCF101) でそれぞれトレーニングされました。定性的および定量的な結果 (表 2 および表 3) は、Latte が最高のパフォーマンスを達成したことを示しており、モデルの全体的な設計が優れていることを証明しています。

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

表 2. UCF101 画質評価

昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説

##表 3. Latte および SoTA のビデオ品質評価

## Vincent Video Extension

Latte の一般的なパフォーマンスをさらに証明するために、著者は空間パラメータの初期化として事前にトレーニングされた PixArt-alpha [4] モデルを使用して、Latte を Vincent ビデオ タスクに拡張しました。ラテはトレーニングの途中で、まずヴィンセントのビデオを作成する能力を身につけました。今後はスケールアップによりラテ生成能力の上限を検証する予定です。

ディスカッションと要約

Latte は、世界初のオープンソース Vincent ビデオ DiT として有望な結果を達成しましたが、計算上の理由により、リソースには大きな違いがあり、生成の明確さ、流暢さ、持続時間の点でソラと比較するとまだ大きな差があります。チームはあらゆる種類の協力を歓迎し、積極的に求めており、オープンソースの力を利用して、優れたパフォーマンスを備えた自社開発の大規模ユニバーサルビデオ生成モデルを作成したいと考えています。

以上が昨年末にローンチした世界初のオープンソースVincentビデオ「Latte」を詳しく解説の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

声明
この記事は51CTO.COMで複製されています。侵害がある場合は、admin@php.cn までご連絡ください。
从VAE到扩散模型:一文解读以文生图新范式从VAE到扩散模型:一文解读以文生图新范式Apr 08, 2023 pm 08:41 PM

1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

普林斯顿陈丹琦:如何让「大模型」变小普林斯顿陈丹琦:如何让「大模型」变小Apr 08, 2023 pm 04:01 PM

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了Apr 08, 2023 pm 06:21 PM

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

解锁CNN和Transformer正确结合方法,字节跳动提出有效的下一代视觉Transformer解锁CNN和Transformer正确结合方法,字节跳动提出有效的下一代视觉TransformerApr 09, 2023 pm 02:01 PM

由于复杂的注意力机制和模型设计,大多数现有的视觉 Transformer(ViT)在现实的工业部署场景中不能像卷积神经网络(CNN)那样高效地执行。这就带来了一个问题:视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大?近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题,但这些工作的整体性能远不能令人满意。基于此,来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看,

Stable Diffusion XL 现已推出—有什么新功能,你知道吗?Stable Diffusion XL 现已推出—有什么新功能,你知道吗?Apr 07, 2023 pm 11:21 PM

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

五年后AI所需算力超100万倍!十二家机构联合发表88页长文:「智能计算」是解药五年后AI所需算力超100万倍!十二家机构联合发表88页长文:「智能计算」是解药Apr 09, 2023 pm 07:01 PM

人工智能就是一个「拼财力」的行业,如果没有高性能计算设备,别说开发基础模型,就连微调模型都做不到。但如果只靠拼硬件,单靠当前计算性能的发展速度,迟早有一天无法满足日益膨胀的需求,所以还需要配套的软件来协调统筹计算能力,这时候就需要用到「智能计算」技术。最近,来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文,首次对智能计算领域进行了全面的调研,涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接:​https://spj.scien

​什么是Transformer机器学习模型?​什么是Transformer机器学习模型?Apr 08, 2023 pm 06:31 PM

译者 | 李睿审校 | 孙淑娟​近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

AI模型告诉你,为啥巴西最可能在今年夺冠!曾精准预测前两届冠军AI模型告诉你,为啥巴西最可能在今年夺冠!曾精准预测前两届冠军Apr 09, 2023 pm 01:51 PM

说起2010年南非世界杯的最大网红,一定非「章鱼保罗」莫属!这只位于德国海洋生物中心的神奇章鱼,不仅成功预测了德国队全部七场比赛的结果,还顺利地选出了最终的总冠军西班牙队。不幸的是,保罗已经永远地离开了我们,但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所(The Alan Turing Institute),随着2022年卡塔尔世界杯的持续进行,三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图

See all articles

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SecLists

SecLists

SecLists は、セキュリティ テスターの究極の相棒です。これは、セキュリティ評価中に頻繁に使用されるさまざまな種類のリストを 1 か所にまとめたものです。 SecLists は、セキュリティ テスターが必要とする可能性のあるすべてのリストを便利に提供することで、セキュリティ テストをより効率的かつ生産的にするのに役立ちます。リストの種類には、ユーザー名、パスワード、URL、ファジング ペイロード、機密データ パターン、Web シェルなどが含まれます。テスターはこのリポジトリを新しいテスト マシンにプルするだけで、必要なあらゆる種類のリストにアクセスできるようになります。

Safe Exam Browser

Safe Exam Browser

Safe Exam Browser は、オンライン試験を安全に受験するための安全なブラウザ環境です。このソフトウェアは、あらゆるコンピュータを安全なワークステーションに変えます。あらゆるユーティリティへのアクセスを制御し、学生が無許可のリソースを使用するのを防ぎます。

EditPlus 中国語クラック版

EditPlus 中国語クラック版

サイズが小さく、構文の強調表示、コード プロンプト機能はサポートされていません

mPDF

mPDF

mPDF は、UTF-8 でエンコードされた HTML から PDF ファイルを生成できる PHP ライブラリです。オリジナルの作者である Ian Back は、Web サイトから「オンザフライ」で PDF ファイルを出力し、さまざまな言語を処理するために mPDF を作成しました。 HTML2FPDF などのオリジナルのスクリプトよりも遅く、Unicode フォントを使用すると生成されるファイルが大きくなりますが、CSS スタイルなどをサポートし、多くの機能強化が施されています。 RTL (アラビア語とヘブライ語) や CJK (中国語、日本語、韓国語) を含むほぼすべての言語をサポートします。ネストされたブロックレベル要素 (P、DIV など) をサポートします。