Open-Sora悄悄升级 支持16秒视频生成和720p分辨率
原标题:Open-Sora悄悄升级 支持16秒视频生成和720p分辨率
导读:
为了营造网易新闻良好的内容生态环境提升用户体验网易号平台即日起展开辟谣专项行动用户发布上传的内容必须真实可靠准确一切未经证实的虚假信息或具有误导性的信息将被平台及时辟谣及公示月...
为了营造网易新闻良好的内容生态环境,提升用户体验,网易号平台即日起展开辟谣专项行动:用户发布上传的内容必须真实、可靠、准确。一切未经证实的虚假信息、或具有误导性的信息,将被平台及时辟谣及公示。
4月25日 消息: 在开源社区悄悄更新了,现在,该项目不仅支持长达16秒的单镜头视频生成,而且视频分辨率最高可达720p,能够处理各种宽高比的文本到图像、文本到视频、图像到视频、视频到视频以及无限长视频的生成需求。
技术报告与模型架构:
Open-Sora技术报告已在GitHub上发布,详细介绍了新功能和模型架构。
作者团队对STDiT架构进行了关键性改进,提高了模型的训练稳定性和整体性能。
引入了旋转位置编码(RoPE embedding)和QK归一化技术,以增强训练稳定性。
ST-DiT-2架构能够自动缩放位置编码,处理不同大小尺寸的输入。
多阶段训练方法:
Open-Sora采用了多阶段训练方法,通过分步骤引入数据,高效实现高质量视频生成。
初始阶段视频采用144p分辨率,混训图片和更高分辨率视频。
第二阶段提升至240p和480p分辨率,第三阶段进一步增强至480p和720p。
统一的图生视频/视频生视频框架:
基于Transformer,DiT架构可支持图像到图像及视频到视频任务。
提出掩码策略来支持图像和视频的条件化处理。
掩码策略配置:
引入了随机掩码策略,以随机方式选择并取消掩码的帧,提高模型处理图像条件化的能力。
支持多时间/分辨率/长宽比/帧率训练:
通过分桶策略,使用原始视频的分辨率、长宽比和长度进行训练,增加采样灵活性。
数据收集和预处理流程:
作者团队提供了详尽的数据收集与处理指南,分享了自动化的数据处理流程。
性能全方位评测:
Open-Sora能够将文字描述转化为动人的动态视频,支持多种内容、分辨率、长宽比和时长的生成。
尽管取得了进展,但当前生成的视频在噪声问题、时间一致性、人物生成质量以及美学评分方面仍有待改进。作者团队将在下一版本中优先解决这些挑战。
项目地址:https://github.com/hpcaitech/Open-Sora
体验地址:https://huggingface.co/spaces/hpcai-tech/open-sora
- 版权所属:王牌阁
- 本文地址:http://life.uexe.cn/20889.html
- 版权声明:原创文章,转载时必须以链接形式注明原始出处及本声明。