內(nèi)容生成 AI 進(jìn)入視頻時(shí)代！

Meta 發(fā)布「用嘴做視頻」僅一周，谷歌 CEO 劈柴哥接連派出兩名選手上場(chǎng)競(jìng)爭(zhēng)。

第一位Imagen Video與 Meta 的 Make-A-Video 相比突出一個(gè)高清，能生成 1280*768 分辨率、每秒 24 幀的視頻片段。

另一位選手Phenaki，則能根據(jù) 200 個(gè)詞左右的提示語生成2 分鐘以上的長(zhǎng)鏡頭，講述一個(gè)完整的故事。

網(wǎng)友看過后表示，這一切進(jìn)展實(shí)在太快了。

也有網(wǎng)友認(rèn)為，這種技術(shù)一旦成熟，會(huì)沖擊短視頻行業(yè)。

那么，兩個(gè) AI 具體有什么能力和特點(diǎn)，我們分別來看。

Imagen Video：理解藝術(shù)風(fēng)格與 3D 結(jié)構(gòu)

Imagen Video 同樣基于最近大火的擴(kuò)散模型，直接繼承自 5 月份的圖像生成 SOTA 模型 Imagen。

除了分辨率高以外，還展示出三種特別能力。

首先它能理解并生成不同藝術(shù)風(fēng)格的作品，如 " 水彩畫 " 或者 " 像素畫 "，或者直接 " 梵高風(fēng)格 "。

它還能理解物體的 3D 結(jié)構(gòu)，在旋轉(zhuǎn)展示中不會(huì)變形。

最后它還繼承了 Imagen 準(zhǔn)確描繪文字的能力，在此基礎(chǔ)上僅靠簡(jiǎn)單描述產(chǎn)生各種創(chuàng)意動(dòng)畫，

這效果，直接當(dāng)成一個(gè)視頻的片頭不過分吧？

除了應(yīng)用效果出色以外，研究人員表示其中用到的一些優(yōu)化技巧不光對(duì)視頻生成有效，可以泛化至一般擴(kuò)散模型。

具體來說，Imagen Video 是一系列模型的集合。

語言模型部分是谷歌自家的T5-XXL，訓(xùn)練好后凍結(jié)住文本編碼器部分。

與負(fù)責(zé)從文本特征映射到圖像特征的 CLIP 相比，有一個(gè)關(guān)鍵不同：

語言模型只負(fù)責(zé)編碼文本特征，把文本到圖像轉(zhuǎn)換的工作丟給了后面的視頻擴(kuò)散模型。

基礎(chǔ)模型，在生成圖像的基礎(chǔ)上以自回歸方式不斷預(yù)測(cè)下一幀，首先生成一個(gè) 48*24、每秒 3 幀的視頻。

接下來，一系列空間超分辨率（Spatial Super-Resolution）與時(shí)間超分辨率（Temporal Super-Resolution）模型接連對(duì)視頻做擴(kuò)展處理。

所有 7 種擴(kuò)散模型都使用了v-prediction parameterization方法，與傳統(tǒng)方法相比在視頻場(chǎng)景中可以避免顏色偏移。

這種方法擴(kuò)展到一般擴(kuò)散模型，還使樣本質(zhì)量指標(biāo)的收斂速度更快。

此外還有漸進(jìn)式蒸餾（Progressive Distillation），將每次迭代所需的采樣步驟減半，大大節(jié)省顯存消耗。

這些優(yōu)化技巧加起來，終于使生成高清視頻成為可能。

Phenaki：人人都能是 " 導(dǎo)演 "

Phenaki 的論文投了 ICLR 2023 會(huì)議，在一周前 Meta 發(fā)布 Make-a-video 的時(shí)候還是匿名雙盲評(píng)審狀態(tài)。

如今信息公開，原來研究團(tuán)隊(duì)同樣來自谷歌。

在公開的信息中，Phenaki 展示了它交互生成視頻的能力，可以任意切換視頻的整體風(fēng)格：高清視頻 / 卡通，還能夠切換任意場(chǎng)景。

還可以向 Phenaki 輸入一個(gè)初始幀以及一個(gè)提示，便能生成一段視頻。

這都還是開胃小菜，Phenaki 真正的大招是：講故事，它能夠生成 2 分鐘以上的長(zhǎng)視頻，通過輸入長(zhǎng)達(dá) 200 多個(gè)字符的系列提示來得到。

（那有了這個(gè)模型，豈不是人人都能當(dāng)導(dǎo)演了？手動(dòng)狗頭）

從文本提示到視頻，計(jì)算成本高、高質(zhì)量文本視頻數(shù)據(jù)數(shù)量有限以及視頻長(zhǎng)度可變一直以來都是此類模型發(fā)展的難題。

以往的大多數(shù) AI 模型都是通過單一的提示來生成視頻，但若要生成一個(gè)長(zhǎng)時(shí)間并且連貫的視頻這遠(yuǎn)遠(yuǎn)不夠。

而 Phenaki 則能生成 2 分鐘以上的視頻，并且還具備故事情節(jié)，這主要?dú)w功于它能夠根據(jù)一系列的提示來生成視頻的能力。

具體來說，研究人員引入了一個(gè)新的因果模型來學(xué)習(xí)表示視頻：將視頻視作圖像的一個(gè)時(shí)間序列。

這個(gè)模型基于 transformer，可以將視頻分解成離散的小表示，而分解視頻則是按照時(shí)間的因果順序來進(jìn)行的。

再講通俗一點(diǎn)，就是通過空間 transformer 將單個(gè)提示進(jìn)行編碼，隨后再用因果 transformer 將多個(gè)編碼好的提示串聯(lián)起來。

一個(gè)提示生成一段視頻，這樣一來，視頻序列便可以沿著提示中描述的時(shí)間序列將整個(gè) " 故事 " 串在一起。

因?yàn)閷⒁曨l壓縮為離散的圖像序列，這樣也大大減少了 AI 處理標(biāo)記視頻的數(shù)量，在一定程度上降低了模型的訓(xùn)練成本。

提到模型訓(xùn)練，和大型圖像系統(tǒng)一樣，Phenaki 也主要使用文本 - 圖像數(shù)據(jù)進(jìn)行訓(xùn)練，此外，研究人員還用 1.4 秒，幀率 8FPS 的短視頻文本對(duì) Phenaki 進(jìn)行訓(xùn)練。

僅僅通過對(duì)大量圖像文本對(duì)以及少量視頻文本例子進(jìn)行聯(lián)合訓(xùn)練，便能達(dá)到突破視頻數(shù)據(jù)集的效果。

Imagen Video 和 Phenaki，谷歌接連放出大招，從文本到視頻的 AI 發(fā)展勢(shì)頭迅猛。

值得一提的是，Imagen Video 一作表示，兩個(gè)團(tuán)隊(duì)將合作進(jìn)行下一步研究。

嗯，有的網(wǎng)友已經(jīng)等不及了。

One More Thing

出于安全和倫理的考慮，谷歌暫時(shí)不會(huì)發(fā)布兩個(gè)視頻生成模型的代碼或 Demo。

不過既然發(fā)了論文，出現(xiàn)開源復(fù)刻版本也只是時(shí)間問題。

畢竟當(dāng)初 Imagen 論文出來沒幾個(gè)月，GitHub 上就出現(xiàn)了 Pytorch 版本。

另外 Stable Diffusion 背后的 StabilityAI 創(chuàng)始人兼 CEO 也說過，將發(fā)布比 Meta 的 Make-A-Video 更好的模型，而且是大家都能用上的那種。

當(dāng)然，每次 AI 有了新進(jìn)展后都會(huì)不可避免地碰到那個(gè)話題—— AI 會(huì)不會(huì)取代人類。

目前來說，一位影視行業(yè)的工作者表示還不到時(shí)候：

老實(shí)說，作為一個(gè)在電影行業(yè)工作了十年的人，這個(gè)話題令人沮喪。

在他看來，當(dāng)前的視頻生成 AI 在外行看起來已經(jīng)足夠驚艷，不過業(yè)內(nèi)人士會(huì)認(rèn)為 AI 還缺乏對(duì)每一個(gè)鏡頭的精細(xì)控制。

對(duì)于這個(gè)話題，StabilityAI 新任首席信息官 Daniel Jeffries 此前撰文表示，AI 最終會(huì)帶來更多的工作崗位。

如相機(jī)的發(fā)明雖然取代了大部分肖像畫家，但也創(chuàng)造了攝影師，還開辟了電影和電視這樣的全新產(chǎn)業(yè)。

5 年后再回看的話，反對(duì) AI 就像現(xiàn)在反對(duì) Photoshop 一樣奇怪，AI 只不過是另一個(gè)工具。

Jeffries 稱未來是環(huán)境人工智能（Ambient AI）的時(shí)代，各個(gè)行業(yè)、各個(gè)領(lǐng)域都會(huì)在人工智能的加持下進(jìn)行發(fā)展。

不過現(xiàn)在我們需要的是一個(gè)更開放的人工智能環(huán)境，也就是說：開源！