詳解Latte：去年底上線的全球首個開源文生影片DiT

隨著 Sora 發布成功，影片 DiT 模型引起了廣泛關注和討論。設計穩定的超大規模神經網路一直是視覺生成領域研究的重點。 DiT 模型的成功為影像生成的規模化帶來了新的可能性。

然而，由於視訊資料的高度結構化和複雜性，將 DiT 擴展到視訊生成領域是一項具有挑戰性的任務。由上海人工智慧實驗室的研究團隊和其他機構共同組成的團隊，透過大規模的實驗回答了這個問題。

去年11月，該團隊已經發布了一款名為Latte的自研模型，其技術與Sora有相似之處。 Latte是全球首個開源文生影片DiT，受到了廣泛關注。許多開源框架如Open-Sora Plan (PKU)和Open-Sora (ColossalAI)都在使用和參考Latte的模型設計。

• 開源連結：https://github.com/Vchitect/Latte
• 計畫首頁：https://maxin-cn.github.io/latte_project/
• 論文連結：https:/ /arxiv.org/pdf/2401.03048v1.pdf

#先來看Latte的影片產生效果。

方法介紹

#總的來說，Latte包含兩個關鍵模組：預先訓練的VAE和視頻DiT。在預先訓練的VAE中，編碼器負責將視訊逐幀從像素空間壓縮到潛在空間，而視訊DiT則負責提取token並進行時空建模以對潛在表徵進行處理，最後，VAE解碼器將特徵映射回像素空間以產生視訊。為了獲得最佳的視頻質量，研究者專注於Latte設計中的兩個重要方面，即視頻DiT模型的整體結構設計和模型訓練的最佳實踐細節。

（1）Latte 整體模型結構設計探究

圖1 . Latte 模型結構及其變體

作者提出了4 種不同的Latte 變體(圖1)，從時空注意力機制的角度設計了兩種Transformer 模組，同時在每個模組中分別研究了兩種變體（Variant）：

1. 單注意力機制模組，每個模組中只包含時間或空間注意力。

• 時空交錯式建模 (Variant 1): 時間模組插入到各個空間模組之後。
• 時空順序式建模 (Variant 2): 時間模組整體置於空間模組之後。

2. 多重註意力機制模組，每個模組中同時包含時間與空間注意力機制(Open-sora所參考變體)。

• 串聯式時空注意力機制 (Variant 3): 時空注意力機制串列建模。
• 並聯式時空注意力機制 (Variant 4): 時空注意力機制並行建模並特徵融合。

實驗顯示（圖2），透過對4 種模型變體設定相同的參數量，變體4 相較於其他三種變體在FLOPS 上有著明顯的差異，因此FVD 上也相對最高，其他3 種變體整體性能類似，變體1 取得了最優異的性能，作者計劃未來在大規模的數據上做更加細緻的討論。

圖2.模型結構 FVD

（2）Latte 模型與訓練細節的最優設計探究（The best practices）

除了模型整體結構設計，作者也探討了其他模型與訓練中影響生成效果的因素。

1.Token 提取：探究了單幀 token（a）和時空 token（b）兩種方式，前者只在空間層面壓縮 token，後者同時壓縮時空資訊。實驗顯示單一影格 token 要優於時空 token（圖 4）。與 Sora 進行比較，作者猜測 Sora 提出的時空 token 是透過視訊 VAE 進行了時間維度的預壓縮，而在隱空間上與 Latte 的設計類似都只進行了單幀 token 的處理。

圖3. Token 擷取方式，(a) 單一畫面token 與(b) 時空token

#圖4. Token 提取FVD

#2. 條件注入模式：探究了（a）S-AdaLN 和（b）all tokens 兩種方式(圖5)。 S-AdaLN 透過 MLP 將條件資訊轉換為歸一化中的變數注入到模型中。 All token 形式將所有條件轉換為統一的 token 作為模型的輸入。實驗證明，S-AdaLN 的方式相較於 all token 對於獲得高品質的結果更有效 (圖 6)。原因是，S-AdaLN 可以使資訊直接注入到每一個模組。而 all token 需要將條件資訊從輸入逐層傳遞到最後，存在著資訊流動過程中的損失。

圖 5. (a) S-AdaLN 和 (b) all tokens。

圖6. 條件注入方式FVD

3. 時空位置編碼：探討了絕對位置編碼與相對位置編碼。 不同的位置編碼對最後影片品質影響很小 (圖 7)。由於生成時長較短，位置編碼的差異不足以影響視訊質量，對於長視訊生成，此因素需要被重新考慮。

圖7.位置編碼方式FVD

4. 模型初始化 ：探究使用ImageNet 預訓練參數初始化對模型效能的影響。實驗表明，使用 ImageNet 初始化的模型具有較快的收斂速度，然而，隨著訓練的進行，隨機初始化的模型卻取得了較好的結果 (圖 8)。可能的原因在於 ImageNet 與訓練集 FaceForensics 之間存在著比較大的分佈差異，因此未能對模型的最終結果起到促進作用。而對於文生視訊任務而言，該結論需要被重新考慮。在通用資料集的分佈上，影像與影片的內容空間分佈相似，使用預訓練 T2I 模型對於 T2V 可以起到極大的促進作用。

圖8.初始化參數FVD

#5. 影像視訊聯合訓練：將影片與影像壓縮為統一token 進行聯合訓練，視訊token 負責優化全部參數，影像token 只負責優化空間參數。 聯合訓練對於最終的結果有著顯著的提升 (表2 和表3)，無論是圖片FID，還是視頻FVD，通過聯合訓練都得到了降低，該結果與基於UNet 的框架[2 ][3] 是一致的。

6. 模式尺寸：探討了 4 個不同的模式尺寸，S，B，L 和 XL (表 1)。 擴大影片 DiT 規模對於提升生成樣本品質有顯著的幫助 (圖 9)。這個結論也證明了在視訊擴散模型中使用 Transformer 結構對於後續 scaling up 的正確性。

表 1. Latte 不同尺寸模型規模

圖9.模型尺寸FVD

#定性與定量分析

##作者分別在4 個學術資料集（FaceForensics，T​​aichiHD，SkyTimelapse 以及UCF101）進行了訓練。定性與定量（表 2 和表 3）結果顯示 Latte 均取得了最佳的性能，由此可以證明模型整體設計是具有優異性的。

表3. Latte 與SoTA 影片品質評估###############生影片擴充功能###################################################### ###為了進一步證明Latte 的通用性能，作者將Latte 擴展到了文生視頻任務，利用預訓練PixArt-alpha [4] 模型作為空間參數初始化，按照最優設計的原則，在經過一段時間的訓練之後， Latte 已經初步具備了文生影片的能力。後續計劃透過擴大規模來驗證 Latte 生成能力的上限。 ############討論與總結############Latte 作為全世界首個開源文生影片DiT，已經取得了很有前景的結果，但由於計算資源的巨大差異，在生成清晰度，流暢度上以及時長上與Sora 相比還具有不小的差距。團隊歡迎並積極尋求各種合作，希望透過開源的力量，打造出性能卓越的自主研發大規模通用視訊生成模型。 ############

以上是詳解Latte：去年底上線的全球首個開源文生影片DiT的詳細內容。更多資訊請關注PHP中文網其他相關文章！