设置
  • 日夜间
    随系统
    浅色
    深色
  • 主题色

谷歌 10 秒视频生成模型 VideoPoet 破世界记录!LLM 终结扩散模型,效果碾压顶流 Gen-2

新智元 2023/12/20 23:32:41 责编:问舟

谷歌全新视频生成模型 VideoPoet 再次引领世界!十秒超长视频生成效果碾压 Gen-2,还可进行音频生成,风格转化。AI 视频生成,或许就是 2024 年下一个最前沿(juan)的领域。

回看过去几个月,RunWay 的 Gen-2、Pika Lab 的 Pika 1.0,国内大厂等大波视频生成模型纷纷涌现,不断迭代升级。

这不,RunWay 一大早就宣布 Gen-2 支持文本转语音的功能了,可以为视频创建画外音。

当然,谷歌在视频生成上也不甘落后,先是与斯坦福李飞飞团队共同发布了 W.A.L.T,用 Transformer 生成的逼真视频引来大波关注。

今天,谷歌团队又发布了一个全新的视频生成模型 VideoPoet,而且无需特定数据便可生成视频。

论文地址:https://blog.research.google/ 2023/12 / videopoet-large-language-model-for-zero.html

最令人惊叹的是,VideoPoet 一次能够生成 10 秒超长,且连贯大动作视频,完全碾压 Gen-2 仅有小幅动作的视频生成。

另外,与领先模型不同的是,VideoPoet 并非基于扩散模型,而是多模态大模型,便可拥有 T2V、V2A 等能力,或将成为未来视频生成的主流。

网友看后纷纷「震惊」刷屏。

不如,接下来可以先看一波体验。

文字转视频

在文本到视频的转换中,生成的视频长度是可变的,并且能够根据文本内容展现出多种动作和风格。

比如,熊猫打牌:

Two pandas playing cards

南瓜爆炸:

A pumpkin exploding, slow motion

宇航员策马奔驰:

An astronaut riding a galloping horse

图像转视频

VideoPoet 还可以根据给定的提示,将输入的图像转换成动画。

左:一艘船在波涛汹涌的海面上航行,周围是雷电交加的景象,以动态油画风格呈现
中:飞过充满闪烁星星的星云
右:一位拄着手杖的旅行者站在悬崖边,凝视着风中翻腾的海雾

视频风格化

对于视频风格化,VideoPoet 先预测光流和深度信息,然后再将额外的文本输入到模型。

左:袋熊戴着墨镜,在阳光明媚的海滩上拿着沙滩球 
中:泰迪熊在清澈的冰面上滑冰
右:一只金属狮子在熔炉的光芒下咆哮

从左到右:逼真,数字艺术,铅笔艺术,水墨,双重曝光,360 度全景

视频转音频

VideoPoet 还能生成音频。

如下,首先从模型中生成 2 秒钟的动画片段,然后在没有任何文本引导的情况下尝试预测音频。这样就能从一个模型中生成视频和音频。

通常情况下,VideoPoet 以纵向的方式生成视频,以便与短片视频的输出相一致。

谷歌还专门做了一部由 VideoPoet 生成的许多短片组成的简短电影。

具体文本比编排上,研究人员要求 Bard 先写一个关于一只旅行浣熊的短篇故事,并附带场景分解和提示列表。然后,为每个提示生成视频片段,并将所有生成的片段拼接在一起,制作出下面的最终视频。

视频讲故事

通过随时间变化的提示,可以创造视觉上的故事叙述。

输入:一个由水构成的行走的人
扩展:一个由水构成的行走的人。背景中有闪电,同时从这个人身上散发出紫色的烟雾

输入:两只浣熊骑着摩托车在松树环绕的山路上行驶,8k
扩展:两只浣熊骑着摩托车。流星雨从浣熊身后坠落,撞击地面并引发爆炸

LLM 秒变视频生成器

当前,Gen-2、Pika 1.0 视屏生成的表现足以惊人,但是遗憾的是,无法在连贯大幅动作的视频生成上表现惊艳。

通常,它们在产生较大动作时,视频会出现明显的伪影。

对此,谷歌研究人员提出了 VideoPoet,能够执行包括文本到视频、图像到视频、视频风格化、视频修复 / 扩展和视频到音频等多样的视频生成任务。

相比起其他模型,谷歌的方法是将多种视频生成功能无缝集成到单一的大语言模型中,而不依赖针对各个任务分别训练的专用组件。

具体来说,VideoPoet 主要包含以下几个组件:

  • 预训练的 MAGVIT V2 视频 tokenizer 和 SoundStream 音频 tokenizer,能将不同长度的图像、视频和音频剪辑转换成统一词汇表中的离散代码序列。这些代码与文本型语言模型兼容,便于与文本等其他模态进行结合。

  • 自回归语言模型可在视频、图像、音频和文本之间进行跨模态学习,并以自回归方式预测序列中下一个视频或音频 token。

  • 在大语言模型训练框架中引入了多种多模态生成学习目标,包括文本到视频、文本到图像、图像到视频、视频帧延续、视频修复 / 扩展、视频风格化和视频到音频等。此外,这些任务可以相互结合,实现额外的零样本功能(例如,文本到音频)。

VideoPoet 能够在各种以视频为中心的输入和输出上进行多任务处理。其中,LLM 可选择将文本作为输入,来指导文本到视频、图像到视频、视频到音频、风格化和扩图任务的生成

使用 LLM 进行训练的一个关键优势是,可以重用现有 LLM 训练基础设施中引入的许多可扩展的效率改进。

不过,LLM 是在离散 token 上运行的,这可能会给视频生成带来挑战。

幸运的是,视频和音频 tokenizer,可以将视频和音频剪辑编码为离散 token 序列(即整数索引),并可以将其转换回原始表示。

VideoPoet 训练一个自回归语言模型,通过使用多个 tokenizer(用于视频和图像的 MAGVIT V2,用于音频的 SoundStream)来跨视频、图像、音频和文本模态进行学习。

一旦模型根据上下文生成了 token,就可以使用 tokenizer 解码器将这些 token 转换回可查看的表示形式。

VideoPoet 任务设计:不同模态通过 tokenizer 编码器和解码器与 token 相互转换。每个模态周围都有边界 token,任务 token 表示要执行的任务类型

三大优势

概括来说,VideoPoet 比起 Gen-2 等视频生成模型,具备以下三大优势。

更长的视频

VideoPoet 通过对视频的最后 1 秒进行调节,并预测接下来的 1 秒,就可以生成更长的视频。

通过反复循环,VideoPoet 通不仅可以很好地扩展视频,而且即使在多次迭代中,也能忠实地保留所有对象的外观。

如下是 VideoPoet 从文本输入生成长视频的两个示例:

左:宇航员在火星上跳舞,背景是五彩缤纷的烟花
右:无人机拍摄的丛林中一座非常尖锐的精灵石城,城中有一条湛蓝的河流、瀑布和陡峭的垂直悬崖
相比于其他只能生成 3-4 秒视频的模型,VideoPoet 一次就可以生成长达 10 秒的视频。

无人机拍摄的古堡秋景

精准的控制

视频生成应用一个非常重要的能力在于,对于生成的动态效果,用户有多大的控制能力。

这将很大程度上决定了模型能否被用来制作复杂连贯的长视频。

VideoPoet 不但可以为输入的图像通过文字描述来添加动态效果,并通过文本提示来调整内容,来达到预期的效果。

左:转身看镜头;右:打哈欠

除了支持输入图像的视频编辑,视频输入也可以通过文字进行精确控制。

针对最左边的小浣熊跳舞视频,用户可以通过文字描述不同的舞姿来让它跳不同的舞蹈。

生成「左」:跳机器人舞
生成「中」:跳 Griddy 舞
生成「右」:来一段 Freestyle

同样,还可以对 VideoPoet 生成的现有视频片段,进行交互式编辑。

如果我们提供一个输入视频,就可以改变对象的运动来执行不同的动作。对物体的操作可以以第一帧或中间帧为中心,从而实现高度的编辑控制。

比如,可以从输入视频中随机生成一些片段,然后选择所需的下一个片段。

如图中最左边的视频被用作条件反射,在初始提示下生成四个视频:

「一个可爱的锈迹斑斑的破旧蒸汽朋克机器人的特写,机器人身上长满了青苔和新芽,周围是高高的草丛」。

对于前 3 个输出,没有提示动作的自主预测生成。最后一个视频,是在提示中添加了「启动,背景为烟雾」以引导动作生成。

运镜的手法

VideoPoet 还可以通过在文本提示中,附加所需的运镜方式,来精确控制画面的变化。

例如,研究人员通过模型生成了一幅图像,提示为「冒险游戏概念图,雪山日出,清澈河流」。下面的示例将给定的文本后缀添加到所需的动作中。

从左到右:拉远、滑动变焦、向左平移、弧型运动镜头、摇臂拍摄、无人机航拍

评估结果

最后,VideoPoet 在具体的实验评测中的表现又如何呢?

为了确保评估的客观性,谷歌研究人员在在各种提示上运行所有模型,并让人们对其偏好进行评分。

下图显示了在以下问题中,VideoPoet 被选为绿色首选项的百分比。

文本保真度:

文本保真度的用户偏好评级,即在准确遵循提示方面首选视频的百分比。

动作趣味性:

用户对动作趣味性的偏好评级,即在产生有趣的动作方面,首选视频的百分比。

综上可见,平均有 24-35% 的人认为 VideoPoet 生成的示例比其他模型更加遵循提示,而其他模型的这一比例仅为 8-11%。

此外,41%-54% 的评估者认为 VideoPoet 中的示例动作更有趣,而其他模型只有 11%-21%。

对于未来的研究方向,谷歌研究人员表示,VideoPoet 框架将会实现「any-to-any」的生成,比如扩展文本到音频、音频到视频,以及视频字幕等等。

网友不禁发问,Runway 和 Pika 能否抵挡住谷歌和 OpenAI 即将推出的文本到视频创新技术?

参考资料:

  • https://sites.research.google/videopoet/

  • https://blog.research.google/2023/12/videopoet-large-language-model-for-zero.html

广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。

相关文章

软媒旗下网站: IT之家 最会买 - 返利返现优惠券 iPhone之家 Win7之家 Win10之家 Win11之家

软媒旗下软件: 软媒手机APP应用 魔方 最会买 要知