全球首個開源的類 Sora 架構(gòu)視頻生成模型，來了！整個訓(xùn)練流程，包括數(shù)據(jù)處理、所有訓(xùn)練細(xì)節(jié)和模型權(quán)重，全部開放。這就是剛剛發(fā)布的 Open-Sora 1.0。
它帶來的實際效果如下，能生成繁華都市夜景中的車水馬龍。
還能用航拍視角，展現(xiàn)懸崖海岸邊，海水拍打著巖石的畫面。
亦或是延時攝影下的浩瀚星空。
自 Sora 發(fā)布以來，由于效果驚艷但技術(shù)細(xì)節(jié)寥寥，揭秘、復(fù)現(xiàn) Sora 成為了開發(fā)社區(qū)最熱議話題之一。比如 Colossal-AI 團隊推出成本直降 46% 的 Sora 訓(xùn)練推理復(fù)現(xiàn)流程。
短短兩周時間后，該團隊再次發(fā)布最新進展，復(fù)現(xiàn)類 Sora 方案，并將技術(shù)方案及詳細(xì)上手教程在 GitHub 上免費開源。
那么問題來了，復(fù)現(xiàn) Sora 如何實現(xiàn)？
Open-Sora 開源地址：https://github.com/hpcaitech/Open-Sora
全面解讀 Sora 復(fù)現(xiàn)方案
Sora 復(fù)現(xiàn)方案包括四個方面：
模型架構(gòu)設(shè)計
訓(xùn)練復(fù)現(xiàn)方案
數(shù)據(jù)預(yù)處理
高效訓(xùn)練優(yōu)化策略
模型架構(gòu)設(shè)計
模型采用了 Sora 同源架構(gòu) Diffusion Transformer (DiT) 。
它以采用 DiT 架構(gòu)的高質(zhì)量開源文生圖模型 PixArt-α 為基座，在此基礎(chǔ)上引入時間注意力層，將其擴展到視頻數(shù)據(jù)上。
具體來看，整個架構(gòu)包括一個預(yù)訓(xùn)練好的 VAE，一個文本編碼器和一個利用空間-時間注意力機制的 STDiT (Spatial Temporal Diffusion Transformer) 模型。
其中，STDiT 每層的結(jié)構(gòu)如下圖所示。
它采用串行的方式在二維的空間注意力模塊上疊加一維的時間注意力模塊，用于建模時序關(guān)系。在時間注意力模塊之后，交叉注意力模塊用于對齊文本的語意。
與全注意力機制相比，這樣的結(jié)構(gòu)大大降低了訓(xùn)練和推理開銷。
與同樣使用空間-時間注意力機制的 Latte 模型相比，STDiT 可以更好的利用已經(jīng)預(yù)訓(xùn)練好的圖像 DiT 的權(quán)重，從而在視頻數(shù)據(jù)上繼續(xù)訓(xùn)練。
△STDiT 結(jié)構(gòu)示意圖
整個模型的訓(xùn)練和推理流程如下。
據(jù)了解，在訓(xùn)練階段首先采用預(yù)訓(xùn)練好的 Variational Autoencoder (VAE) 的編碼器將視頻數(shù)據(jù)進行壓縮，然后在壓縮之后的潛在空間中與文本嵌入 (text embedding) 一起訓(xùn)練 STDiT 擴散模型。
在推理階段，從 VAE 的潛在空間中隨機采樣出一個高斯噪聲，與提示詞嵌入 (prompt embedding) 一起輸入到 STDiT 中，得到去噪之后的特征，最后輸入到 VAE 的解碼器，解碼得到視頻。
△ 模型訓(xùn)練流程
訓(xùn)練復(fù)現(xiàn)方案
在訓(xùn)練復(fù)現(xiàn)部分，Open-Sora 參考了 Stable Video Diffusion (SVD)。
一共分為 3 個階段：
大規(guī)模圖像預(yù)訓(xùn)練；
大規(guī)模視頻預(yù)訓(xùn)練；
高質(zhì)量視頻數(shù)據(jù)微調(diào)。
每個階段都會基于前一個階段的權(quán)重繼續(xù)訓(xùn)練。
相比于從零開始單階段訓(xùn)練，多階段訓(xùn)練通過逐步擴展數(shù)據(jù)，更高效地達成高質(zhì)量視頻生成的目標(biāo)。
△ 訓(xùn)練方案三階段
第一階段是大規(guī)模圖像預(yù)訓(xùn)練。
團隊利用互聯(lián)網(wǎng)上豐富的圖像數(shù)據(jù)和文生圖技術(shù)，先訓(xùn)練出一個高質(zhì)量的文生圖模型，將該模型作為下一階段視頻預(yù)訓(xùn)練的初始化權(quán)重。
同時，由于目前沒有高質(zhì)量的時空 VAE，他們采用 Stable Diffusion 預(yù)訓(xùn)練好的圖像 VAE。
這樣不僅能保障初始模型的優(yōu)越性能，還能顯著降低視頻預(yù)訓(xùn)練的整體成本。
第二階段是大規(guī)模視頻預(yù)訓(xùn)練。
這一階段主要增加模型的泛化能力，有效掌握視頻的時間序列關(guān)聯(lián)。
它需要使用大量視頻數(shù)據(jù)訓(xùn)練，并且保障視頻素材的多樣性。
同時，第二階段的模型在第一階段文生圖模型的基礎(chǔ)上加入了時序注意力模塊，用于學(xué)習(xí)視頻中的時序關(guān)系。其余模塊與第一階段保持一致，并加載第一階段權(quán)重作為初始化，同時初始化時序注意力模塊輸出為零，以達到更高效更快速的收斂。
Colossal-AI 團隊使用了 PixArt-alpha 的開源權(quán)重作為第二階段 STDiT 模型的初始化，以及采用了 T5 模型作為文本編碼器。他們采用了 256x256 的小分辨率進行預(yù)訓(xùn)練，進一步增加了收斂速度，降低訓(xùn)練成本。
△Open-Sora 生成效果（提示詞：水中世界的鏡頭，鏡頭中一只海龜在珊瑚礁間悠然游弋）
第三階段是高質(zhì)量視頻數(shù)據(jù)微調(diào)。
據(jù)介紹，這一階段能顯著提升模型的生成質(zhì)量。使用的數(shù)據(jù)規(guī)模比上一階段降低一個量級，但是視頻的時長、分辨率和質(zhì)量都更高。
通過這種方式進行微調(diào)，能實現(xiàn)視頻生成從短到長、從低分辨率到高分辨率、從低保真度到高保真度的高效擴展。
值得一提的是，Colossal-AI 還詳細(xì)透露了每階段的資源使用情況。
在 Open-Sora 的復(fù)現(xiàn)流程中，他們使用了 64 塊 H800 進行訓(xùn)練。第二階段的訓(xùn)練量一共是 2808 GPU hours，約合 7000 美元，第三階段的訓(xùn)練量是 1920 GPU hours，大約 4500 美元。經(jīng)過初步估算，整個訓(xùn)練方案成功把 Open-Sora 復(fù)現(xiàn)流程控制在了 1 萬美元左右。
數(shù)據(jù)預(yù)處理
為了進一步降低 Sora 復(fù)現(xiàn)的門檻和復(fù)雜度，Colossal-AI 團隊在代碼倉庫中還提供了便捷的視頻數(shù)據(jù)預(yù)處理腳本，讓大家可以輕松啟動 Sora 復(fù)現(xiàn)預(yù)訓(xùn)練。
包括公開視頻數(shù)據(jù)集下載、長視頻根據(jù)鏡頭連續(xù)性分割為短視頻片段、使用開源大語言模型 LLaVA 生成精細(xì)的提示詞。
他們提供的批量視頻標(biāo)題生成代碼可以用兩卡 3 秒標(biāo)注一個視頻，并且質(zhì)量接近于 GPT-4V。
最終得到的視頻 / 文本對可直接用于訓(xùn)練。借助他們在 GitHub 上提供的開源代碼，可以輕松地在自己的數(shù)據(jù)集上快速生成訓(xùn)練所需的視頻 / 文本對，顯著降低了啟動 Sora 復(fù)現(xiàn)項目的技術(shù)門檻和前期準(zhǔn)備。
高效訓(xùn)練加持
除此之外，Colossal-AI 團隊還提供了訓(xùn)練加速方案。
通過算子優(yōu)化和混合并行等高效訓(xùn)練策略，在處理 64 幀、512x512 分辨率視頻的訓(xùn)練中，實現(xiàn)了 1.55 倍的加速效果。
同時，得益于 Colossal-AI 的異構(gòu)內(nèi)存管理系統(tǒng)，在單臺服務(wù)器上（8H800）可以無阻礙地進行 1 分鐘的 1080p 高清視頻訓(xùn)練任務(wù)。
而且團隊還發(fā)現(xiàn) STDiT 模型架構(gòu)在訓(xùn)練時也展現(xiàn)出卓越的高效性。
和采用全注意力機制的 DiT 相比，隨著幀數(shù)的增加，STDiT 實現(xiàn)了高達 5 倍的加速效果，這在處理長視頻序列等現(xiàn)實任務(wù)中尤為關(guān)鍵。
最后，團隊還放出了更多 Open-Sora 的生成效果。
團隊和量子位透露，他們將長期更新優(yōu)化 Open-Sora 的相關(guān)解決方案和動態(tài)。未來將使用更多視頻訓(xùn)練數(shù)據(jù)，以生成更高質(zhì)量、更長時長的視頻內(nèi)容，并支持多分辨率特性。
實際應(yīng)用方面，團隊透露將推進在電影、游戲、廣告等領(lǐng)域落地。
感興趣的開發(fā)者們，可訪問 GitHub 項目了解更多~
Open-Sora 開源地址：https://github.com/hpcaitech/Open-Sora
參考鏈接：
[1]https://arxiv.org/abs/2212.09748 Scalable Diffusion Models with Transformers
[2]https://arxiv.org/abs/2310.00426 PixArt-α: Fast Training of Diffusion Transformer for Photorealistic Text-to-Image Synthesis
[3]https://arxiv.org/abs/2311.15127 Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets
[4]https://arxiv.org/abs/2401.03048 Latte: Latent Diffusion Transformer for Video Generation
[5]https://huggingface.co/stabilityai/sd-vae-ft-mse-original
[6]https://github.com/google-research/text-to-text-transfer-transformer
[7]https://github.com/haotian-liu/LLaVA
[8]https://hpc-ai.com/blog/open-sora-v1.0
本文來自微信公眾號：量子位 （ID：QbitAI），作者：明敏
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。