网友：进步好快啊

扩散模型最近是真的有点火。

前有OpenAI用它打败霸榜多年的GAN，现在谷歌又紧随其后，提出了一个视频扩散模型。

和图像生成一样，初次尝试，它居然就表现出了不俗的性能。

比如输入“fireworks”，就能生成这样的效果：

满屏烟花盛放，肉眼看上去简直可以说是以假乱真了。

为了让生成视频更长、分辨率更高，作者还在这个扩散模型中引入了一种全新的采样方法。

最终，该模型在无条件视频生成任务中达到全新SOTA。

一起来看。

由图像扩散模型扩展而成

这个扩散视频模型，由标准的图像扩散模型UNet扩展而成。

UNet是一种神经网络架构，分为空间下采样通道和上采样通道，通过残差连接。

该网络由多层2D卷积残差块构建而成，每个卷积块后面跟着一个空间注意块。

通过固定帧数的块，以及在空间和时间上分解的3D U-Net，就可以将它扩展为视频模型。

具体来说：

先将每个二维卷积更改为三维卷积（space-only），比如将3×3卷积更改为1x3x3卷积（第一轴（axis）索引视频帧，第二轴和第三轴索引空间高度和宽度）。

每个空间注意块中的注意力仍然专注于空间维度。

然后，在每个空间注意块之后，插入一个时间注意块；该时间注意块在第一个轴上执行注意力，并将空间轴视为批处理轴（batch axes）。

众所周知，像这样在视频Transformer中分对时空注意力进行分解，会让计算效率更高。

由此一来，也就能在视频和图像上对模型进行联合训练，而这种联合训练对提高样本质量很有帮助。

此外，为了生成更长和更高分辨率的视频，作者还引入了一种新的调整技术：梯度法。

它主要修改模型的采样过程，使用基于梯度的优化来改善去噪数据的条件损失，将模型自回归扩展到更多的时间步（timestep）和更高的分辨率。

评估无条件和文本条件下的生成效果

对于无条件视频生成，训练和评估在现有基准上进行。

该模型最终获得了最高的FID分数和IS分数，大大超越了此前的SOTA模型。

对于文本条件下的视频生成，作者在1000万个字幕视频的数据集上进行了训练，空间分辨率为64x64px；

在此之前，视频生成模型采用的都是各种GAN、VAE，以及基于流的模型以及自回归模型。

所以这也是他们首次报告扩散模型根据文本生成视频的结果。

下图则显示了无分类器引导对该模型生成质量的影响：与其他非扩散模型一致，添加引导会增加每个单独图像的保真度（右为该视频扩散模型，可以看到它的图片更加真实和清晰）。

△ 图片为随机截取的视频帧

最后，作者也验证发现，他们所提出的梯度法在生成长视频时，确实比此前的方法更具多样性，也就更能保证生成的样本与文本达成一致。

△ 右为梯度法

论文地址：
https://arxiv.org/abs/2204.03458

项目主页：
https://video-diffusion.github.io/