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。
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 ~
原文地址：http://www.myzaker.com/article/633699e3b15ec0368527d5d0
相关文章
