Новый отчет мудрости
Редактор: ЛРС
В апреле прошлого года OpenAI выпустила DALL-E 2, который охватил всю область AIGC благодаря более высокому разрешению, более реалистичному созданию изображений и более точному пониманию естественных описаний.
Однако для реальной демократизации генерации изображений требуется открытый исходный код Stable Diffusion, который можно запускать только на графических процессорах потребительского уровня. Пользователи могут точно настраивать свои собственные наборы данных и не должны терпеть «безопасность», установленную крупными компаниями. Веб-сайты рисования. Различные списки слов с фильтрацией действительно реализуют «свободу рисования».
В области создания видео крупные производители пока осмеливаются использовать только демо-версии для демонстрации, а обычные пользователи пока не могут их использовать.
Недавно Академия Alibaba DAMO впервые открыла параметры модели «генерации текстового видео» на ModelScope, и вместе мы сможем достичь «свободы видео»!
Ссылка на модель: https://modelscope.cn/models/damo/text-to-video-synthesis/files.
Ссылка на опыт: https://huggingface.co/spaces/damo-vilab/modelscope-text-to-video-synthesis
Необходимо вводить только текст, и могут быть возвращены видео, соответствующие текстовому описанию. Эту модель можно применять к созданию видео в «открытых полях» и делать выводы на основе текстовых описаний. Однако в настоящее время она поддерживает только ввод на английском языке.
Например, введите классическую фразу «космонавт верхом на лошади», чтобы заставить космонавта двигаться!
Или введите «панда ест бамбук на камне», чтобы просмотреть видео ниже.
Вы также можете ввести подсказку самостоятельно в соответствии с интерфейсом, представленным на HuggingFace. Например, если вы введете «собака, едящая торт», вы можете получить 2-секундное видео, однако из-за недостаточности вычислительных ресурсов вам может потребоваться это сделать. постойте в очереди какое-то время.
Модель диффузии генерации текста в видео состоит из трех подсетей: «извлечение текстовых признаков», «модель диффузии текстовых признаков в скрытое пространство видео» и «скрытое видеопространство в видеовизуальное пространство». 1,7 миллиарда.
Модель диффузии многоэтапной генерации текста в видео использует структуру Unet3D и реализует функцию генерации видео посредством процесса итеративного шумоподавления из видео с чистым гауссовским шумом.
В основном имеются два связанных документа для справки по реализации.
Синтез изображений высокого разрешения и модель скрытой диффузии
Разлагая процесс формирования изображения на последовательное применение шумоподавления автокодировщика, модель диффузии достигает самых современных результатов синтеза данных изображения и других данных, а формулировка модели диффузии может принять механизм управления для управления процесс генерации изображения без необходимости повторного обучения.
Однако, поскольку эти модели часто работают непосредственно в пиксельном пространстве, оптимизация мощных диффузионных моделей часто занимает сотни дней использования графического процессора и делает вывод дорогим из-за последовательной оценки.
Ссылка на документ: https://arxiv.org/pdf/2112.10752.pdf.
Чтобы обеспечить обучение диффузионной модели на ограниченных вычислительных ресурсах, сохраняя при этом ее качество и гибкость, исследователи применили ее к скрытому пространству мощного предварительно обученного автокодировщика.
По сравнению с предыдущей работой, обучение диффузионных моделей на этом представлении может достичь почти оптимальной точки между снижением сложности и сохранением деталей, что значительно улучшает визуальную точность.
Путем введения слоев перекрестного внимания в структуру модели диффузионные модели можно превратить в мощные и гибкие генераторы для общих условных входных данных (таких как текст или ограничивающие рамки) и обеспечить сверточный синтез с высоким разрешением.
Предлагаемая модель скрытой диффузии (LDM) обеспечивает новый прогресс в рисовании изображений и высокую конкурентоспособность в различных задачах, включая безусловную генерацию изображений, семантический синтез сцен и суперразрешение, конкурируя при этом с моделями скрытой диффузии на основе пикселей. Значительно снижены вычислительные требования по сравнению с моделями скрытой диффузии.
VideoFusion: декомпозированная диффузионная модель для создания высококачественного видео.
Доказано, что диффузионная вероятностная модель (DPM), которая строит процесс прямой диффузии путем постепенного добавления шума к точкам данных и изучает процесс обратного шумоподавления для создания новых выборок, способна обрабатывать сложные распределения данных.
Несмотря на недавние успехи в синтезе изображений, применение DPM для создания видео остается сложной задачей из-за более высокой размерности пространства данных видео.
Предыдущие методы обычно использовали стандартный процесс диффузии, который искажает кадры в одном и том же видеоклипе независимым шумом, игнорируя избыточность контента и временную корреляцию.
Ссылка на документ: https://arxiv.org/pdf/2303.08320v2.pdf.
В этой статье предлагается процесс диффузии разложения путем разложения шума каждого кадра на базовый шум, общий для всех кадров, и остаточный шум, который изменяется по оси времени. Конвейер шумоподавления использует две совместно обученные сети для соответствующего согласования разложения шума.
Эксперименты на различных наборах данных подтверждают, что наш метод VideoFusion превосходит альтернативы на основе GAN и диффузии в создании высококачественных видео.
Эксперименты также показывают, что формула разложения может выиграть от предварительно обученных моделей распространения изображений и хорошей поддержки генерации видео с текстом.
В рамках ModelScope текущую модель можно использовать путем вызова простого конвейера, где входные данные должны быть в словарном формате, допустимое значение ключа — «текст», а содержимое — небольшой фрагмент текста.
Эта модель в настоящее время поддерживает вывод только на графическом процессоре, и для нее требуется аппаратная конфигурация примерно из 16 ГБ памяти и 16 ГБ памяти графического процессора.
Введите конкретные примеры кода следующим образом.
Среда выполнения (пакет Python)
GIT_LFS_SKIP_SMUDGE=1 git clone https://github.com/modelscope/modelscope && cd modelscope && pip install -e .
pip install open_clip_torch
Демо-код
from modelscope.pipelines import pipeline
from modelscope.outputs import OutputKeys
p = pipeline('text-to-video-synthesis', 'damo/text-to-video-synthesis')
test_text = {
'text': 'A panda eating bamboo on a rock.',
}
output_video_path = p(test_text,)[OutputKeys.OUTPUT_VIDEO]
print('output_video_path:', output_video_path)
Посмотреть результаты
Приведенный выше код отобразит путь сохранения выходного видео. Текущий формат кодирования можно нормально воспроизводить с помощью проигрывателя VLC.
Ограничения и предвзятости модели
данные обучения
данные обучениявключать LAION5B、 ImageNet、 Webvid и другие общедоступные наборы данных. Фильтрация изображений и видео выполняется после предварительного обучения, такого как эстетическая оценка, оценка водяных знаков и дедупликация.
Ссылки:
https://modelscope.cn/models/damo/text-to-video-synthesis/summary