16秒720p高清視頻,現(xiàn)在人人可免費(fèi)一鍵生成!潞晨 Open-Sora 是一個(gè)致力于高效生產(chǎn)高質(zhì)量視頻的開源項(xiàng)目。自 3 月發(fā)布以來,該模型在 GitHub 上已獲得 17.5K 的星標(biāo)。以下是潞晨 Open-Sora 技術(shù)路線的具體內(nèi)容:
- 引入視頻壓縮網(wǎng)絡(luò):采用與 OpenAI 的 Sora 相同的方法,在時(shí)間維度上進(jìn)行 4 倍壓縮,無需抽幀,可使用原始 FPS 生成視頻。
- 利用 2D VAE 知識(shí):由于訓(xùn)練 3D VAE 的成本較高,團(tuán)隊(duì)嘗試讓模型重新利用在 2D VAE 中學(xué)習(xí)到的知識(shí)。他們提出了一個(gè)簡單的視頻壓縮網(wǎng)絡(luò)(即 VAE),首先在空間維度上實(shí)現(xiàn) 8x8 倍的壓縮,再從時(shí)間維度上壓縮 4 倍。
- 分三步訓(xùn)練 VAE:
- 前 380K 步:在 8 個(gè) GPU 上訓(xùn)練,凍結(jié) 2D VAE 的權(quán)重,只訓(xùn)練 3D VAE 部分,即對(duì)時(shí)間維度的壓縮重建。訓(xùn)練目標(biāo)為對(duì) 2D VAE encoder 輸出的特征進(jìn)行時(shí)間維度的壓縮重建,并添加一個(gè) identity loss 使得新訓(xùn)練的 3D VAE 輸出的特征盡可能和原始 2D VAE 的特征相似。
- 接下來的 260K 步:移除掉 identity loss,繼續(xù)單獨(dú)訓(xùn)練 3D VAE 部分。
- 最后 540K 步:解凍 2D VAE 權(quán)重,訓(xùn)練整個(gè) VAE 模型來重建原始視頻。該階段在 24 個(gè) GPU 上完成。其中前兩個(gè)階段的訓(xùn)練數(shù)據(jù)使用 20%圖像和 80%視頻,視頻用 17 幀進(jìn)行訓(xùn)練;最后一個(gè)階段用 34 幀的隨機(jī)幀數(shù)視頻進(jìn)行訓(xùn)練,使 VAE 模型可以壓縮任意長度的視頻。
通過以上技術(shù)路線,潞晨 Open-Sora 能夠在保障模型輸出質(zhì)量的同時(shí),降低計(jì)算資源的消耗,并實(shí)現(xiàn)多種功能,如支持輸出多種視頻寬高比等。如果你想了解更多關(guān)于潞晨 Open-Sora 的信息,可以訪問其 GitHub 主頁。潞晨Open-Sora可零門檻免費(fèi)獲得模型權(quán)重、全套訓(xùn)練代碼,沉浸式游戲、創(chuàng)意廣告、制作影視大片……都能來試試~ |