給你一段話，讓你做個視頻，你能行嗎？

Meta表示，我可以啊。

你沒聽錯：使用AI，你也可以變成電影人了！

近日，Meta推出了新的AI模型，名字起得也是非常直接：做個視頻（Make-A-Video）。

這個模型強大到什么程度？

一句話，就能實現(xiàn)「三馬奔騰」的場景。

就連LeCun都說，該來的總是會來的。

視覺效果超炫

話不多說，咱們直接看效果。

倆袋鼠在廚房忙著做飯（做出來能不能吃另說）

近景：畫師在畫布上作畫

大雨中漫步的二人世界（步伐整齊劃一）

馬在喝水

芭蕾舞女孩在摩天大樓跳舞

美麗的夏日熱帶海灘上，一只金毛在吃冰激凌（爪子已進(jìn)化）

貓主子拿著遙控器在看電視（爪子已進(jìn)化）

一只泰迪熊給自己畫自畫像

意料之外但情理之中的是，狗拿冰淇淋、貓拿遙控器以及泰迪熊畫畫的「手」，果然都「進(jìn)化」得和人一樣?。。☉?zhàn)術(shù)后仰）

當(dāng)然，Make-A-Video除了可以把文本變成視頻之外，也可以把靜態(tài)圖變成Gif。

輸入：

輸出：

輸入：

輸出：（亮的似乎有點不是地方）

2張靜圖變GIF，輸入隕石圖

輸出：

以及，把視頻，變成視頻？

輸入：

輸出：

輸入：

輸出：

技術(shù)原理

今天，Meta放出了自己的最新研究MAKE-A-VIDEO: TEXT-TO-VIDEO GENERATION WITHOUT TEXT-VIDEO DATA。

論文地址：https://makeavideo.studio/Make-A-Video.pdf

在這個模型出現(xiàn)之前，我們已經(jīng)有了Stable Diffusion。

聰明的科學(xué)家已經(jīng)讓AI用一句話生成圖像了，下一步他們會做什么呢？

很顯然，是生成視頻。

一只穿著紅色斗篷的超級英雄狗在天空中飛翔

比起生成圖像來，生成視頻可難多了。我們不僅需要生成相同主題和場景的多個幀，還必須讓它們及時、連貫。

這就增加了圖像生成任務(wù)的復(fù)雜性——我們不可能就簡單地使用DALLE生成60張圖像，然后把它們拼成一個視頻。它的效果會很差，很不真實。

因此，我們需要一個能夠以更強大的方式理解世界的模型，并且讓它按照這種理解水平來生成一系列連貫的圖像。只有這樣，這些圖像才可以天衣無縫地融合在一起。

也就是說，我們的訴求是模擬一個世界，然后再模擬它的記錄。該怎么做到呢？

按照以前的思路，研究人員會用大量的文本-視頻對來訓(xùn)練模型，但在現(xiàn)在的這種情況下，這種處理方法并不現(xiàn)實。因為這些數(shù)據(jù)很難獲得，并且訓(xùn)練成本非常昂貴。

因此，研究人員開了腦洞，采用了一種全新的方式。

他們選擇開發(fā)一個文本到圖像的模型，然后把它應(yīng)用于視頻。

巧了，前段時間，Meta就曾開發(fā)過這么一個從文本到圖像的模型Make-A-Scene。

Make-A-Scene的方法概述

這個模型產(chǎn)生的契機是，Meta希望推動創(chuàng)意表達(dá)，將這種文本到圖像的趨勢與以前的草圖到圖像模型相結(jié)合，從而產(chǎn)生文本和以草圖為條件的圖像生成之間的奇妙融合。

這意味著我們可以快速勾勒出一只貓，寫出自己想要什么樣的圖像。遵循草圖和文本的指導(dǎo)，這個模型會在幾秒鐘內(nèi)，生成我們想要的完美插圖。

你可以把這種多模態(tài)生成AI方法看作是一個對生成有更多控制的Dall-E模型，因為它還可以將快速草圖作為輸入。

之所以稱它為多模態(tài)，是因為它可以將多種模態(tài)作為輸入，比如文本和圖像。相比之下，Dall-E只能從文本生成圖像。

為了生成視頻，就需要加入時間的維度，因此研究人員在Make-A-Scene模型中添加了時空管道。

加入時間維度后，這個模型就不是只生成一張圖片，而是生成16張低分辨率的圖片，以創(chuàng)建一個連貫的短視頻。

這個方法其實與文本到圖像模型類似，但不同之處在于：在常規(guī)的二維卷積的基礎(chǔ)上，它增加一維卷積。

只是簡單地增加了一維卷積，研究人員就能保持預(yù)先訓(xùn)練的二維卷積不變的同時，增加一個時間維度。然后，研究人員就可以從頭開始訓(xùn)練，重新使用Make-A-Scene圖像模型的大部分代碼和參數(shù)。

同時，研究人員還想用文本輸入來指導(dǎo)這個模型，這將與使用CLIP嵌入的圖像模型非常相似。

在這種情況下，研究人員是在將文本特征與圖像特征混合時，增加空間維度，方法同上：保留Make-A-Scene模型中的注意力模塊，并為時間增加一個一維注意力模塊——復(fù)制粘貼圖像生成器模型，為多一個維度重復(fù)生成模塊，來獲得16個初始幀。

但是只靠這16個初始幀，還不能生成視頻。

研究人員需要從這16個主幀中，制作一個高清晰度的視頻。他們采用的方法是：訪問之前和未來的幀，并同時在時間和空間維度上對它們進(jìn)行迭代插值。

就這樣，他們在這16個初始幀之間，根據(jù)前后的幀生成了新的、更大的幀，這樣就使運動變得連貫，整體視頻變得流暢了。

這是通過一個幀插值網(wǎng)絡(luò)完成的，它可以采取已有的圖像來填補空白，生成中間的信息。在空間維度上，它會做同樣的事情：放大圖像，填補像素的空白，使圖像更加高清。

總而言之，為了生成視頻，研究人員微調(diào)了一個文本到圖像的模型。他們采用了一個已經(jīng)訓(xùn)練好的強大模型，對它進(jìn)行調(diào)整和訓(xùn)練，讓它適應(yīng)視頻。

因為添加了空間和時間模塊，只要簡單地讓模型適應(yīng)這些新數(shù)據(jù)就可以了，而不必重新訓(xùn)練它，這就節(jié)省了大量的成本。

這種重新訓(xùn)練使用的是未標(biāo)記的視頻，只需要教模型理解視頻和視頻幀的一致性就可以了，這就可以更簡單地建立數(shù)據(jù)集。

最后，研究人員再次使用了圖像優(yōu)化模型，提高了空間分辨率，并使用了幀插值組件增加了更多的幀，使視頻變得流暢。

當(dāng)然，目前Make-A-Video的結(jié)果還存在缺點，就如同文本到圖像的模型一樣。但我們都知道，AI領(lǐng)域的進(jìn)展是多么神速。

如果你想進(jìn)一步了解，可以參考鏈接中Meta AI的論文。社區(qū)也正在開發(fā)一個PyTorch的實現(xiàn)，如果你想自己實現(xiàn)它，請繼續(xù)關(guān)注。

作者介紹

這篇論文中有多位華人研究人員參與：殷希、安捷、張宋揚、Qiyuan Hu。

殷希，F(xiàn)AIR研究科學(xué)家。此前曾供職微軟，任Microsoft Cloud and AI 的高級應(yīng)用科學(xué)家。在密歇根州立大學(xué)計算機科學(xué)與工程系獲博士學(xué)位，2013年畢業(yè)于武漢大學(xué)電氣工程專業(yè)，獲學(xué)士學(xué)位。主要研究領(lǐng)域為多模態(tài)理解、大規(guī)模目標(biāo)檢測、人臉推理等。

安捷，羅切斯特大學(xué)計算機科學(xué)系博士生。師從羅杰波教授。此前于 2016 年和 2019 年在北京大學(xué)獲得學(xué)士和碩士學(xué)位。研究興趣包括計算機視覺、深度生成模型和AI+藝術(shù)。作為實習(xí)生參與了Make-A-Video研究。

張宋揚，羅切斯特大學(xué)計算機科學(xué)系博士生，師從羅杰波教授。在東南大學(xué)獲得學(xué)士學(xué)位，在浙江大學(xué)獲得碩士學(xué)位。研究興趣包括自然語言矩定位、無監(jiān)督語法歸納、基于骨架的動作識別等。作為實習(xí)生參與了Make-A-Video研究。

Qiyuan Hu，時任FAIR的AI Resident，從事提高人類創(chuàng)造力的多模態(tài)生成模型的研究。她在芝加哥大學(xué)獲得醫(yī)學(xué)物理學(xué)博士學(xué)位，曾從事AI輔助的醫(yī)學(xué)圖像分析工作?，F(xiàn)已供職Tempus Labs，任機器學(xué)習(xí)科學(xué)家。

網(wǎng)友大受震撼

前段時間，谷歌等大廠紛紛放出自家的文本到圖像模型，如Parti，等等。

有人甚至認(rèn)為文本到視頻生成模型還有一段時間才能到來。

沒想到，Meta這次投了一顆重磅炸彈。

其實，同在今天，還有一個文本到視頻生成模型Phenaki，目前已提交到ICLR 2023，由于還處于盲審階段，作者機構(gòu)還是未知。

網(wǎng)友稱，從DALLE到Stable Diffuson再到Make-A-Video，一切來得太快。