真·拿嘴做视频！Meta「AI导演」一句话搞定视频素材，网友：我已跟不上AI发展速度

alex

鱼羊 Alex 发自 凹非寺

非常AI | 公众号 QbitAI

画家执笔在画布上戳戳点点，形成手绘作品独有的笔触。

你以为这是哪部纪录片的画面？

No，No，No！

视频里的每一帧，都是AI生成的。

还是你告诉它，来段“画笔在画布上的特写”，它就能直接整出画面的那种。

不仅能无中生画笔，按着马头喝水也不是不可以。

同样是一句“马儿喝水”，这只AI就抛出了这样的画面：

好家伙，这是以后拍视频真能全靠一张嘴的节奏啊……

不错，那厢一句话让AI画画的Text to Image正搞得风生水起，这厢Meta AI的研究人员又双叒给生成AI来了个超进化。

这回是真能“用嘴做视频”了：

AI名为Make-A-Video，直接从DALL·E、Stable Diffusion搞火的静态生成飞升动态。

给它几个单词或几行文字，就能生成这个世界上其实并不存在的视频画面，掌握的风格还很多元。

不仅纪录片风格能hold住，整点科幻效果也没啥问题。

两种风格混合一下，机器人在时代广场蹦迪的画面好像也没啥违和感。

文艺小清新的动画风格，看样子Make-A-Video也把握住了。

这么一波操作下来，那真是把不少网友都看懵了，连评论都简化到了三个字母：

而大佬LeCun则意味深长地表示：该来的总是会来的。

毕竟一句话生成视频这事儿，之前就有不少业内人士觉得“快了快了”。只不过Meta这一手，确实有点神速：

比我想象中快了9个月。

甚至还有人表示：我已经有点适应不了AI的进化速度了……

文本图像生成模型超进化版

你可能会觉得Make-A-Video是个视频版的DALL·E。

实际上，差不多就是这么回事儿（手动狗头）。

前面提到，Make-A-Video是文本图像生成（T2I）模型的超进化，那是因为这个AI工作的第一步，其实还是依靠文本生成图像。

从数据的角度来说，就是DALL·E等静态图像生成模型的训练数据，是成对的文本-图像数据。

而Make-A-Video虽然最终生成的是视频，但并没有专门用成对的文本-视频数据训练，而是依然靠文本-图像对数据，来让AI学会根据文字复现画面。

视频数据当然也有涉及，但主要是使用单独的视频片段来教给AI真实世界的运动方式。

具体到模型架构上，Make-A-Video主要由三部分组成：

• 文本图像生成模型P
• 时空卷积层和注意力层
• 用于提高帧率的帧插值网络和两个用来提升画质的超分网络

整个模型的工作过程是酱婶的：

首先，根据输入文本生成图像嵌入。

然后，解码器Dt生成16帧64×64的RGB图像。

插值网络↑F会对初步结果进行插值，以达到理想帧率。

接着，第一重超分网络会将画面的分辨率提高到256×256。第二重超分网络则继续优化，将画质进一步提升至768×768。

基于这样的原理，Make-A-Video不仅能根据文字生成视频，还具备了以下几种能力。

将静态图像转成视频：

根据前后两张图片生成一段视频：

根据原视频生成新视频：

刷新文本视频生成模型SOTA

其实，Meta的Make-A-Video并不是文本生成视频（T2V）的首次尝试。

比如，清华大学和智源在今年早些时候就推出了他们自研的“一句话生成视频”AI：CogVideo，而且这是目前唯一一个开源的T2V模型。

更早之前，GODIVA和微软的“女娲”也都实现过根据文字描述生成视频。

不过这一次，Make-A-Video在生成质量上有明显的提升。

在MSR-VTT数据集上的实验结果显示，在FID（13.17）和CLIPSIM（0.3049）两项指标上，Make-A-Video都大幅刷新了SOTA。

此外，Meta AI的团队还使用了Imagen的DrawBench，进行人为主观评估。

他们邀请测试者亲身体验Make-A-Video，主观评估视频与文本之间的逻辑对应关系。

结果显示，Make-A-Video在质量和忠实度上都优于其他两种方法。

One More Thing

有意思的是，Meta发布新AI的同时，似乎也拉开了T2V模型竞速的序幕。

Stable Diffusion的母公司StabilityAI就坐不住了，创始人兼CEO Emad放话道：

我们将发布一个比Make-A-Video更好的模型，大家都能用的那种！

而就在前几天，ICLR网站上也出现了一篇相关论文Phenaki。

生成效果是这样的：

对了，虽然Make-A-Video尚未公开，但Meta AI官方也表示，准备推出一个Demo让大家可以实际上手体验，感兴趣的小伙伴可以蹲一波了~

论文地址：
https://makeavideo.studio/Make-A-Video.pdf
参考链接：
[1]https://ai.facebook.com/blog/generative-ai-text-to-video/
[2]https://twitter.com/boztank/status/1575541759009964032
[3]https://twitter.com/ylecun/status/1575497338252304384
[4]https://www.theverge.com/2022/9/29/23378210/meta-text-to-video-ai-generation-make-a-video-model-dall-e
[5]https://phenaki.video