字节版Sora火爆24小时,同名论文再次被热议

  “不需要再等 OpenAI 的鸽王 Sora 了”。‍

  字节版 Sora 终于来了,这一次还憋了个大的——

  一口气推出 Seaweed 和 PixelDance 两款豆包视频模型,支持文生/图生视频,时长可达 10s。

  以 PixelDance 为例,其最大特色在于多主体交互,一致性多镜头生成。

  啥意思??——直接来看几个官方 demo。

  First kill,现在手上有这样一张原图:

  若使用当前大多视频模型,一般只能进行到“摘墨镜”这个环节;而 PixelDance 能解锁时序性多拍动作指令。(摘完墨镜还能站起来,并走向雕像)

  还有类似电视剧的飙戏名场面(多个主体),各自眼神、动作,一整个拿捏。

  Double kill,饱受吐槽的 PPT 动画有新解了。PixelDance 拥有变焦、环绕、平摇、缩放、目标跟随等多镜头话语言能力。

提示词:一名亚洲男子带着护目镜游泳,身后是另一名穿潜水服的男子

  关键来了,在一致性方面,PixelDance 号称能10 秒讲述完整故事

  说人话就是,在一句提示词内,实现多个镜头切换,同时保持主体、风格和氛围的一致性。

提示词:一个女孩儿从汽车上下来,远处是夕阳

  另外,PixelDance 支持多种风格比例。(说你呢 Runway)

提示词:水墨风格的鸟,比例 16:9

  小结一下,字节版 Sora 这次主打多主体交互、酷炫运镜、一致性多镜头以及多风格比例。

  发布会一结束,网友们的期待值也是拉满了,嗷嗷待哺内测资格!

  与此同时,字节研究团队一篇 PixelDance 同名论文,也被扒了出来,再次引发热议。‍‍‍

  背后论文揭示「PixelDance」原型‍‍

  字节团队此前入选 CVPR 2024 的论文,就提出了名为一种 PixelDance 的模型。‍

  先划重点,团队采用的方法可以概括为:

基于潜在扩散模型,结合视频片段的首帧和尾帧图像指令与文本指令进行视频生成,并有效利用公开视频数据进行训练。

  首先,团队采用广泛使用的2D UNet作为扩散模型,该模型由一系列空间下采样层和一系列空间上采样层构建,并插入了跳跃连接。

  具体来说,它由两个基本模块构建,即 2D 卷积模块和 2D 注意力模块。

  通过插入时间层将 2D UNet 扩展为 3D 变体,其中在 2D 卷积层之后插入 1D 时间卷积层,2D 注意力层之后插入 1D 时间注意力层。

  模型可以通过图像和视频联合训练,在空间维度上保持高保真生成能力。

  不过对于图像输入,1D 时间操作被禁用。团队在所有时间注意力层中使用双向自注意力

  其次是指令注入。具体来说,PixelDance 基于<文本,首帧,尾帧>指令。

  • 文本指令源于使用详细的文本注释以精确描述视频的帧和动作
  • 首帧图像指令描述了视频片段的主要场景
  • 尾帧图像指令(在训练和推理过程中可选使用)描绘了视频片段的结尾,并提供了额外的控制

  这里要插一句,与文本指令相比,图像指令更加直接且易于获取——使用真实视频帧作为训练中的图像指令。

  据了解,文本指令由预训练的文本编码器编码,并通过交叉注意力融入扩散模型。

  图像指令由预训练的 VAE 编码器编码,并与受扰的视频潜变量或高斯噪声一起作为扩散模型的输入。

  在训练过程中,团队使用(真实的)首帧指令来强制模型严格遵循该指令,从而保持连续视频片段之间的一致性。

  当然了,PixelDance 独特之处在于使用尾帧指令的方式

  简单说,团队有意避免让模型完全复制尾帧指令,因为在推理过程中提供一个完美的尾帧是很困难的,模型应该能够处理用户提供的粗略草稿,并作为指导。

  为了实现这一点,团队开发了三项技术

  1、在训练过程中,尾帧指令是从视频片段的最后三帧(真实的)中随机选择的。

  2、向指令中引入了噪声,以减少对指令的依赖性并提高模型的鲁棒性。

  3、在训练中以一定概率(例如 25%)随机丢弃尾帧指令。

  相应地,团队提出了一种简单但有效的推理策略。

  概括起来就是,在前τ次去噪步骤中,利用尾帧指令引导视频生成朝向期望的结束状态。

  在剩余的步骤中,指令被丢弃,允许模型生成时间上更连贯的视频。

  通过调整τ,可以控制尾帧指令对生成结果的影响。

  接下来,团队在WebVid-10M 数据集上训练了视频扩散模型,该数据集包含大约1000 万个短视频片段——

  平均时长为 18 秒,分辨率通常为 336 × 596,且每个视频都附有与视频内容松散相关的文本描述。

  不过 WebVid-10M 存在一个问题,即所有视频上都带有水印,这导致生成的视频中也会包含水印。

  因此,团队将训练数据扩展为另外自收集的50 万个无水印视频片段,它们包含真实世界的实体,如人类、动物、物体和风景,并附有粗粒度的文本描述。

  尽管这一额外数据集只占了很小比例,但团队惊讶地发现:

将该数据集与 WebVid-10M 结合训练后,如果图像指令没有水印,PixelDance 就能够生成无水印的视频。

  最终,PixelDance 在视频-文本数据集和图像-文本数据集上进行联合训练

  对于视频数据,从每个视频中随机采样 16 个连续帧,每秒 4 帧。

  此外,按照之前的工作,采用LAION-400M作为图像-文本数据集;每 8 次训练迭代使用一次图像-文本数据。

  自论文发布之后,到产品上线这段时间具体又做了哪些改进,目前还不得而知。

  由于刚发布,目前只能简单看到官方提及:

  感兴趣的话可以亲自上手试一试来感受一下,目前豆包视频模型已在火山引擎开启企业用户的邀请测试;个人用户可在字节旗下的即梦 AI 申请内测。

  官方声称,未来将逐步开放给所有用户。

  那么,你期待这次的字节版 sora 吗?