超10秒高分辨率，北大Open Sora視頻生成更強了，還支持華為芯片
OpenAI 在今年年初扔出一項重大研究，Sora 將視頻生成帶入一個新的高度，很多人表示，現在的 OpenAI 一出手就是王炸。然而，眾多周知的是，OpenAI 一向并不 Open，關于 Sora 的更多細節我們無從得知。誰能率先發布類 Sora 研究成了一個熱門話題。
今年 3 月初，北大團隊聯合兔展啟動了 Sora 復現計劃 ——Open Sora Plan，該項目希望通過開源社區的力量復現 Sora。
項目上線一個月，星標量已經達到 6.6k。
- 項目地址：https://github.com/PKU-YuanGroup/Open-Sora-Plan
- 技術報告：https://github.com/PKU-YuanGroup/Open-Sora-Plan/blob/main/docs/Report-v1.0.0.md?
現在這個項目終于有了新成果，Open-Sora-Plan v1.0.0 來了，新研究顯著增強了視頻生成的質量以及對文本的控制能力。研究者表示，他們正在訓練更高分辨率（>1024）以及更長時間（>10s）的視頻。目前該項目已支持國產 AI 芯片（華為昇騰 910b）進行推理，下一步將支持國產算力訓練。
項目作者林彬表示：Open-Sora-Plan v1.0.0 可以生成1024×1024分辨率視頻，也能生成10 秒、24 FPS 的高清視頻。而且它還能夠生成高分辨率圖像。
下面我們看一下 v1.0.0 的效果（為了展示，動圖進行了一些壓縮，會損失一些質量）。
文本到視頻生成
提示：沿海景觀從日出到黃昏過渡的延時拍攝……
文本到圖像生成（512×512 ）
視頻重建（720×1280）
圖像重建（1536×1024）：
在實現細節方面，通過團隊放出的技術報告，我們得知模型架構 CausalVideoVAE 概覽圖如下所示：
CausalVideoVAE 架構繼承自 Stable-Diffusion Image VAE。為了保證 Image VAE 的預訓練權重能夠無縫應用到 Video VAE 中，模型結構設計如下：
CausalConv3D：將 Conv2D 轉換為 CausalConv3D，可以實現圖像和視頻數據的聯合訓練。CausalConv3D 對第一幀進行特殊處理，因為它無法訪問后續幀。
初始化：Conv2D 擴展到 Conv3D 常用的方法有兩種：平均初始化和中心初始化。但本文采用了特定的初始化方法 tail 初始化。這種初始化方法確保模型無需任何訓練就能夠直接重建圖像，甚至視頻。
訓練細節：
上圖展示了 17×256×256 下兩種不同初始化方法的損失曲線。黃色曲線代表使用 tail init 損失，而藍色曲線對應中心初始化損失。如圖所示，tail 初始化在損失曲線上表現出更好的性能。此外，該研究發現中心初始化會導致錯誤累積，導致在長時間內崩潰。
訓練擴散模型。與之前的工作類似，該研究采用了多階段級聯訓練方法，總共消耗了 2048 A800 GPU 小時。研究發現，圖像聯合訓練顯著加速了模型收斂并增強了視覺感知，這與 Latte 的研究結果一致。
?
不過，目前發布的 CausalVideoVAE（v1.0.0）有兩個主要缺點：運動模糊和網格效果。團隊正在改進這些缺點，后續版本很快就會上線。
本文轉自 機器之心 ，作者：機器之心
