機(jī)器之心發(fā)布 機(jī)器之心編輯部

Open-Sora 在開源社區(qū)悄悄更新了，現(xiàn)在單鏡頭支持長(zhǎng)達(dá)16秒的視頻生成，分辨率最高可達(dá)720p，并且可以處理任何寬高比的文本到圖像、文本到視頻、圖像到視頻、視頻到視頻和無限長(zhǎng)視頻的生成需求。我們來試試效果。

生成個(gè)橫屏圣誕雪景，發(fā)b站

再生成個(gè)豎屏，發(fā)抖音

還能生成單鏡頭16秒的長(zhǎng)視頻，這下人人都能過把編劇癮了

怎么玩？指路

GitHub：https://github.com/hpcaitech/Open-Sora

更酷的是，Open-Sora 依舊全部開源，包含最新的模型架構(gòu)、最新的模型權(quán)重、多時(shí)間/分辨率/長(zhǎng)寬比/幀率的訓(xùn)練流程、數(shù)據(jù)收集和預(yù)處理的完整流程、所有的訓(xùn)練細(xì)節(jié)、demo示例和詳盡的上手教程。

Open-Sora 技術(shù)報(bào)告全面解讀

最新功能概覽

作者團(tuán)隊(duì)在GitHub上正式發(fā)布了Open-Sora 技術(shù)報(bào)告[1]，根據(jù)筆者的了解，本次更新主要包括以下幾項(xiàng)關(guān)鍵特性：

• 支持長(zhǎng)視頻生成；
• 視頻生成分辨率最高可達(dá)720p；
• 單模型支持任何寬高比，不同分辨率和時(shí)長(zhǎng)的文本到圖像、文本到視頻、圖像到視頻、視頻到視頻和無限長(zhǎng)視頻的生成需求；
• 提出了更穩(wěn)定的模型架構(gòu)設(shè)計(jì)，支持多時(shí)間/分辨率/長(zhǎng)寬比/幀率訓(xùn)練；
• 開源了最新的自動(dòng)數(shù)據(jù)處理全流程。

時(shí)空擴(kuò)散模型ST-DiT-2

作者團(tuán)隊(duì)表示，他們對(duì)Open-Sora 1.0中的STDiT架構(gòu)進(jìn)行了關(guān)鍵性改進(jìn)，旨在提高模型的訓(xùn)練穩(wěn)定性和整體性能。針對(duì)當(dāng)前的序列預(yù)測(cè)任務(wù)，團(tuán)隊(duì)采納了大型語言模型（LLM）的最佳實(shí)踐，將時(shí)序注意力中的正弦波位置編碼（sinusoidal positional encoding）替換為更加高效的旋轉(zhuǎn)位置編碼（RoPE embedding）。此外，為了增強(qiáng)訓(xùn)練的穩(wěn)定性，他們參考SD3模型架構(gòu)，進(jìn)一步引入了QK歸一化技術(shù)，以增強(qiáng)半精度訓(xùn)練的穩(wěn)定性。為了支持多分辨率、不同長(zhǎng)寬比和幀率的訓(xùn)練需求，作者團(tuán)隊(duì)提出的ST-DiT-2架構(gòu)能夠自動(dòng)縮放位置編碼，并處理不同大小尺寸的輸入。

多階段訓(xùn)練

根據(jù)Open-Sora 技術(shù)報(bào)告指出，Open-Sora 采用了一種多階段訓(xùn)練方法，每個(gè)階段都會(huì)基于前一個(gè)階段的權(quán)重繼續(xù)訓(xùn)練。相較于單一階段訓(xùn)練，這種多階段訓(xùn)練通過分步驟引入數(shù)據(jù)，更高效地實(shí)現(xiàn)了高質(zhì)量視頻生成的目標(biāo)。

初始階段大部分視頻采用144p分辨率，同時(shí)與圖片和 240p，480p 的視頻進(jìn)行混訓(xùn)，訓(xùn)練持續(xù)約1周，總步長(zhǎng)81k。第二階段將大部分視頻數(shù)據(jù)分辨率提升至240p和480p，訓(xùn)練時(shí)長(zhǎng)為1天，步長(zhǎng)達(dá)到22k。第三階段進(jìn)一步增強(qiáng)至480p和720p，訓(xùn)練時(shí)長(zhǎng)為1天，完成了4k步長(zhǎng)的訓(xùn)練。整個(gè)多階段訓(xùn)練流程在約9天內(nèi)完成，與Open-Sora1.0相比，在多個(gè)維度提升了視頻生成的質(zhì)量。

統(tǒng)一的圖生視頻/視頻生視頻框架

作者團(tuán)隊(duì)表示，基于Transformer的特性，可以輕松擴(kuò)展 DiT 架構(gòu)以支持圖像到圖像以及視頻到視頻的任務(wù)。他們提出了一種掩碼策略來支持圖像和視頻的條件化處理。通過設(shè)置不同的掩碼，可以支持各種生成任務(wù)，包括：圖生視頻，循環(huán)視頻，視頻延展，視頻自回歸生成，視頻銜接，視頻編輯，插幀等。

支持圖像和視頻條件化處理的掩碼策略

作者團(tuán)隊(duì)表示，受到UL2[2]方法的啟發(fā)，他們?cè)谀Ｐ陀?xùn)練階段引入了一種隨機(jī)掩碼策略。具體而言，在訓(xùn)練過程中以隨機(jī)方式選擇并取消掩碼的幀，包括但不限于取消掩碼第一幀、前k幀、后k幀、任意k幀等。作者還向我們透露，基于Open-Sora 1.0的實(shí)驗(yàn)，應(yīng)用50%的概率應(yīng)用掩碼策略時(shí)，只需少量步數(shù)模型能夠更好地學(xué)會(huì)處理圖像條件化。在Open-Sora 最新版本中，他們采用了從頭開始使用掩碼策略進(jìn)行預(yù)訓(xùn)練的方法。

此外，作者團(tuán)隊(duì)還貼心地為推理階段提供了掩碼策略配置的詳細(xì)指南，五個(gè)數(shù)字的元組形式在定義掩碼策略時(shí)提供了極大的靈活性和控制力。

掩碼策略配置說明

支持多時(shí)間/分辨率/長(zhǎng)寬比/幀率訓(xùn)練

OpenAI Sora的技術(shù)報(bào)告[3]指出，使用原始視頻的分辨率、長(zhǎng)寬比和長(zhǎng)度進(jìn)行訓(xùn)練可以增加采樣靈活性，改善幀和構(gòu)圖。對(duì)此，作者團(tuán)隊(duì)提出了分桶的策略。

具體怎么實(shí)現(xiàn)呢？通過深入閱讀作者發(fā)布的技術(shù)報(bào)告，我們了解到，所謂的桶，是（分辨率，幀數(shù)，長(zhǎng)寬比）的三元組。團(tuán)隊(duì)為不同分辨率的視頻預(yù)定義了一系列寬高比，以覆蓋大多數(shù)常見的視頻寬高比類型。在每個(gè)訓(xùn)練周期epoch開始之前，他們會(huì)對(duì)數(shù)據(jù)集進(jìn)行重新洗牌，并將樣本根據(jù)其特征分配到相應(yīng)的桶中。具體來說，他們會(huì)將每個(gè)樣本放入一個(gè)分辨率和幀長(zhǎng)度均小于或等于該視頻特性的桶中。

Open-Sora 分桶策略

作者團(tuán)隊(duì)進(jìn)一步透露，為了降低計(jì)算資源的要求，他們?yōu)槊總€(gè)keep_prob和batch_size引入兩個(gè)屬性（分辨率，幀數(shù)），以減少計(jì)算成本并實(shí)現(xiàn)多階段訓(xùn)練。這樣，他們可以控制不同桶中的樣本數(shù)量，并通過為每個(gè)桶搜索良好的批大小來平衡GPU負(fù)載。作者在技術(shù)報(bào)告中對(duì)此進(jìn)行了詳盡的闡述，感興趣的小伙伴可以閱讀作者在GitHub上發(fā)布的技術(shù)報(bào)告來獲取更多的信息：https://github.com/hpcaitech/Open-Sora

數(shù)據(jù)收集和預(yù)處理流程

作者團(tuán)隊(duì)甚至對(duì)數(shù)據(jù)收集與處理環(huán)節(jié)也提供了詳盡的指南。根據(jù)作者在技術(shù)報(bào)告中的闡述，在Open-Sora 1.0的開發(fā)過程中，他們意識(shí)到數(shù)據(jù)的數(shù)量和質(zhì)量對(duì)于培育一個(gè)高效能模型極為關(guān)鍵，因此他們致力于擴(kuò)充和優(yōu)化數(shù)據(jù)集。他們建立了一個(gè)自動(dòng)化的數(shù)據(jù)處理流程，該流程遵循奇異值分解（SVD）原則，涵蓋了場(chǎng)景分割、字幕處理、多樣化評(píng)分與篩選，以及數(shù)據(jù)集的管理系統(tǒng)和規(guī)范。同樣，他們也將數(shù)據(jù)處理的相關(guān)腳本無私地分享至開源社區(qū)。對(duì)此感興趣的開發(fā)者現(xiàn)在可以利用這些資源，結(jié)合技術(shù)報(bào)告和代碼，來高效地處理和優(yōu)化自己的數(shù)據(jù)集。

Open-Sora 數(shù)據(jù)處理流程

Open-Sora 性能全方位評(píng)測(cè)

視頻生成效果展示

Open-Sora 最令人矚目的亮點(diǎn)在于，它能夠?qū)⒛隳X中的景象，通過文字描述的方式，捕捉并轉(zhuǎn)化為動(dòng)人的動(dòng)態(tài)視頻。那些在思維中一閃而過的畫面和想象，現(xiàn)在得以被永久地記錄下來，并與他人分享。在這里，筆者嘗試了幾種不同的prompt，作為拋磚引玉。

比如，筆者嘗試生成了一個(gè)在冬季森林里游覽的視頻。雪剛下不久，松樹上掛滿了皚皚白雪，暗色的松針和潔白的雪花錯(cuò)落有致，層次分明。

又或者，在一個(gè)靜謐夜晚中，你身處像無數(shù)童話里描繪過黑暗的森林，幽深的湖水在漫天璀璨的星河的照耀下波光粼粼。

在空中俯瞰繁華島嶼的夜景則更是美麗，溫暖的黃色燈光和絲帶一樣的藍(lán)色海水讓人一下子就被拉入度假的悠閑時(shí)光里。

城市里的車水馬龍，深夜依然亮著燈的高樓大廈和街邊小店，又有另一番風(fēng)味。

除了風(fēng)景之外，Open-Sora 還能還原各種自然生物。無論是紅艷艷的小花，

還是慢悠悠扭頭的變色龍， Open-Sora 都能生成較為真實(shí)的視頻。

筆者還嘗試了多種 prompt 測(cè)試，還提供了許多生成的視頻供大家參考，包括不同內(nèi)容，不同分辨率，不同長(zhǎng)寬比，不同時(shí)長(zhǎng)。

筆者還發(fā)現(xiàn)，僅需一個(gè)簡(jiǎn)潔的指令，Open-Sora便能生成多分辨率的視頻短片，徹底打破創(chuàng)作限制。

分辨率：16*240p

分辨率：32*240p

分辨率：64*360p

分辨率：480*854p

我們還可以喂給Open-Sora一張靜態(tài)圖片讓它生成短片

Open-Sora 還可以將兩個(gè)靜態(tài)圖巧妙地連接起來，輕觸下方視頻，將帶您體驗(yàn)從下午至黃昏的光影變幻，每一幀都是時(shí)間的詩篇。

再比如說我們要對(duì)原有視頻進(jìn)行編輯，僅需一個(gè)簡(jiǎn)單的指令，原本明媚的森林便迎來了一場(chǎng)鵝毛大雪。

我們也能讓Open-Sora 生成高清的圖片 

值得注意的是，Open-Sora的模型權(quán)重已經(jīng)完全免費(fèi)公開在他們的開源社區(qū)上，不妨下載下來試一下。由于他們還支持視頻拼接功能，這意味著你完全有機(jī)會(huì)免費(fèi)創(chuàng)作出一段帶有故事性的小短片，將你的創(chuàng)意帶入現(xiàn)實(shí)。

權(quán)重下載地址：https://github.com/hpcaitech/Open-Sora

當(dāng)前局限與未來計(jì)劃

盡管在復(fù)現(xiàn)類Sora文生視頻模型的工作方面取得了不錯(cuò)的進(jìn)展，但作者團(tuán)隊(duì)也謙遜地指出，當(dāng)前生成的視頻在多個(gè)方面仍有待改進(jìn)：包括生成過程中的噪聲問題、時(shí)間一致性的缺失、人物生成質(zhì)量不佳以及美學(xué)評(píng)分較低。對(duì)于這些挑戰(zhàn)，作者團(tuán)隊(duì)表示，他們將在下一版本的開發(fā)中優(yōu)先解決，以期望達(dá)到更高的視頻生成標(biāo)準(zhǔn)，感興趣的朋友不妨持續(xù)關(guān)注一下。我們期待Open-Sora社區(qū)帶給我們的下一次驚喜。

開源地址：https://github.com/hpcaitech/Open-Sora

參考文獻(xiàn)：

[1]  https://github.com/hpcaitech/Open-Sora/blob/main/docs/report_02.md

[2] Tay, Yi, et al. "Ul2: Unifying language learning paradigms." arXiv preprint arXiv:2205.05131 (2022).

[3] https://openai.com/research/video-generation-models-as-world-simulators

可能是全網(wǎng)最全的速查表：Python Numpy Pandas Matplotlib 機(jī)器學(xué)習(xí) ChatGPT等

ChatGPT 系列研究報(bào)告（50個(gè)PDF），建了一個(gè)資料分享微信群

搭建完美的技術(shù)寫作環(huán)境，第1-8章

數(shù)據(jù)分析入門：統(tǒng)計(jì)學(xué)基礎(chǔ)知識(shí)總結(jié)

ChatGPT、大模型、AI資料分享群