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,TaichiHD,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。
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!

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

“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

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

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,

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

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

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

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


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

Dreamweaver CS6
視覺化網頁開發工具

SecLists
SecLists是最終安全測試人員的伙伴。它是一個包含各種類型清單的集合,這些清單在安全評估過程中經常使用,而且都在一個地方。 SecLists透過方便地提供安全測試人員可能需要的所有列表,幫助提高安全測試的效率和生產力。清單類型包括使用者名稱、密碼、URL、模糊測試有效載荷、敏感資料模式、Web shell等等。測試人員只需將此儲存庫拉到新的測試機上,他就可以存取所需的每種類型的清單。

Safe Exam Browser
Safe Exam Browser是一個安全的瀏覽器環境,安全地進行線上考試。該軟體將任何電腦變成一個安全的工作站。它控制對任何實用工具的訪問,並防止學生使用未經授權的資源。

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能

mPDF
mPDF是一個PHP庫,可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件,並處理不同的語言。與原始腳本如HTML2FPDF相比,它的速度較慢,並且在使用Unicode字體時產生的檔案較大,但支援CSS樣式等,並進行了大量增強。支援幾乎所有語言,包括RTL(阿拉伯語和希伯來語)和CJK(中日韓)。支援嵌套的區塊級元素(如P、DIV),