一周不到,AI 画师又“进阶”了,还是一个大跨步 ——直接 1 句话生成视频的那种。
输入“一个下午在海滩上奔跑的女人”,立刻就蹦出一个 4 秒 32 帧的小片段:
又或是输入“一颗燃烧的心”,就能看见一只被火焰包裹的心:
这个最新的文本-视频生成 AI,是清华 & 智源研究院出品的模型CogVideo。
Demo 刚放到网上就火了起来,有网友已经急着要论文了:
CogVideo“一脉相承”于文本-图像生成模型 CogView2,这个系列的 AI 模型只支持中文输入,外国朋友们想玩还得借助谷歌翻译:
看完视频的网友直呼“这进展也太快了,要知道文本-图像生成模型 DALL-E2 和 Imagen 才刚出”
还有网友想象:照这个速度发展下去,马上就能看到 AI 一句话生成 VR 头显里的 3D 视频效果了:
所以,这只名叫 CogVideo 的 AI 模型究竟是什么来头?
团队表示,CogVideo 应该是当前最大的、也是首个开源的文本生成视频模型。
在设计模型上,模型一共有 90 亿参数,基于预训练文本-图像模型 CogView2 打造,一共分为两个模块。
第一部分先基于 CogView2,通过文本生成几帧图像,这时候合成视频的帧率还很低;
第二部分则会基于双向注意力模型对生成的几帧图像进行插帧,来生成帧率更高的完整视频。
在训练上,CogVideo 一共用了540 万个文本-视频对。
这里不仅仅是直接将文本和视频匹配起来“塞”给 AI,而是需要先将视频拆分成几个帧,并额外给每帧图像添加一个帧标记。
这样就避免了 AI 看见一句话,直接给你生成几张一模一样的视频帧。
其中,每个训练的视频原本是 160×160 分辨率,被 CogView2 上采样(放大图像)至 480×480 分辨率,因此最后生成的也是 480×480 分辨率的视频。
至于 AI 插帧的部分,设计的双向通道注意力模块则是为了让 AI 理解前后帧的语义。
最后,生成的视频就是比较丝滑的效果了,输出的 4 秒视频帧数在 32 张左右。
这篇论文同时用数据测试和人类打分两种方法,对模型进行了评估。
研究人员首先将 CogVideo 在 UCF-101 和 Kinetics-600 两个人类动作视频数据集上进行了测试。
其中,FVD(Fréchet 视频距离)用于评估视频整体生成的质量,数值越低越好;IS(Inception score)主要从清晰度和生成多样性两方面来评估生成图像质量,数值越高越好。
整体来看,CogVideo 生成的视频质量处于中等水平。
但从人类偏好度来看,CogVideo 生成的视频效果就比其他模型要高出不少,甚至在当前最好的几个生成模型之中,取得了最高的分数:
具体来说,研究人员会给志愿者一份打分表,让他们根据视频生成的效果,对几个模型生成的视频进行随机评估,最后判断综合得分:
CogVideo 的共同一作洪文逸和丁铭,以及二作郑问迪,三作 Xinghan Liu 都来自清华大学计算机系。
此前,洪文逸、丁铭和郑问迪也是 CogView 的作者。
论文的指导老师唐杰,清华大学计算机系教授,智源研究院学术副院长,主要研究方向是 AI、数据挖掘、机器学习和知识图谱等。
对于 CogVideo,有网友表示仍然有些地方值得探究,例如 DALL-E2 和 Imagen 都有一些不同寻常的提示词来证明它们是从 0 生成的,但 CogVideo 的效果更像是从数据集中“拼凑”起来的:
例如,狮子直接“用手”喝水的视频,就不太符合我们的常规认知(虽然很搞笑):
(是不是有点像给鸟加上两只手的魔性表情包)
但也有网友指出,这篇论文给语言模型提供了一些新思路:
用视频训练可能会进一步释放语言模型的潜力。因为它不仅有大量的数据,还隐含了一些用文本比较难体现的常识和逻辑。
目前 CogVideo 的代码还在施工中,感兴趣的小伙伴可以去蹲一波了~
项目 & 论文地址:
https://github.com/THUDM/CogVideo
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。