Post by account_disabled on Jan 26, 2024 23:28:54 GMT -5
二，谷歌发布了 Lumiere，这是一款人工智能视频生成器，在随附的预印本中，谷歌将其称为“用于生成真实视频的时空扩散模型”。但我们不要自欺欺人了：他在制作滑旱冰、开车或弹钢琴等荒谬场景中可爱动物的视频方面做得非常出色。当然，它可以做得更多，但它可能是有史以来最先进的文本到动物的人工智能视频生成器。
据谷歌称，Lumiere 使用一种独特的架构一次性生成视频的整个持续时间。或者，正如该公司所说，“我们引入了时空 U-Net 架构，可以通过模型中的一次传递一次性输出视频的整个时间持续时间。“这与合成远程数据的现有视频模型形成鲜明对比。” 关键帧之后是时间超分辨率，这种方法本质上使得全局时间一致性难以实现。”
简单来说，谷歌的技术旨在同时处理空间（事物在视频中的位置）和时间（事物在视频中如何移动和变化）的方面。因此，您可以通过一个无缝过程从头到尾创建整个视频，而不是通过将许多小部分或框架组合在一起来制作视频。
Google 发布的文章“Lumiere：视频生成的时空扩散模型”随附的官方宣传视频。
Lumiere 还可以执行许多派对技巧，谷歌演示页面上的示例对此进行了很好的描述。例如，您可以执行文本到视频生成（将书面消息转换为视频）、将静态图像转换为视频、使用参考图像生成特定样式的视频、使用基于文本的消息应用一致的视频编辑、创建动态图片。对图像的特定区域进行动画处理并提供绘画功能中的视频（例如，您可以更改一个人所穿衣服的类型）。
在 Lumiere 研究论文中，谷歌研究人员表示，AI 模型生成了 5 秒长的 1024x1024 像素视频，他们将其描述为“低分辨率”。尽管存在这些限制，研究人员还是进行了一项用户研究，并声称 Lumiere 的结果优于现有的人工智能视频合成模型。
广告
至于训练数据，谷歌没有透露从哪 电话号码数据库 里获取输入 Lumiere 的视频，并写道：“我们在包含 3000 万个视频及其文本标题的数据集上训练我们的 T2V [文本到视频] 模型。” [原文如此] 视频为 80 帧、16 fps（5 秒）。基础模型在 128×128 下进行训练。”
显示 Lumiere AI 模型组件的框图，由 Google 提供。
放大/ Google 提供的显示 Lumiere AI 模型组件的框图。
人工智能生成的视频仍处于原始状态，但其质量在过去两年中不断提高。2022 年 10 月，我们报道了 Google 第一个公开发布的图像合成模型 Image Video。它可以以每秒 24 帧的速度从书面消息生成 1280×768 的短视频剪辑，但结果并不总是一致。在此之前，Meta推出了其AI视频生成器Make-A-Video。去年 6 月，Runway 的 Gen2 视频合成模型能够根据短信创建两秒的视频剪辑，推动了超现实模仿广告的创作。11 月，我们介绍了稳定视频扩散，它可以从静止图像生成短片。
人工智能公司经常用可爱的动物来演示视频生成器，因为目前很难生成连贯的、不变形的人类，特别是因为我们作为人类（你是人类，对吧？），是注意到人体任何缺陷或它们如何变化的专家。移动。看看人工智能生成的威尔·史密斯吃意大利面就知道了。
从谷歌的例子来看（我们自己没有使用过），Lumiere 的表现似乎优于其他人工智能视频生成模型。但由于谷歌倾向于对其人工智能研究模型保密，我们不确定公众何时（如果有的话）有机会亲自尝试。
据谷歌称，Lumiere 使用一种独特的架构一次性生成视频的整个持续时间。或者，正如该公司所说，“我们引入了时空 U-Net 架构，可以通过模型中的一次传递一次性输出视频的整个时间持续时间。“这与合成远程数据的现有视频模型形成鲜明对比。” 关键帧之后是时间超分辨率，这种方法本质上使得全局时间一致性难以实现。”
简单来说，谷歌的技术旨在同时处理空间（事物在视频中的位置）和时间（事物在视频中如何移动和变化）的方面。因此，您可以通过一个无缝过程从头到尾创建整个视频，而不是通过将许多小部分或框架组合在一起来制作视频。
Google 发布的文章“Lumiere：视频生成的时空扩散模型”随附的官方宣传视频。
Lumiere 还可以执行许多派对技巧，谷歌演示页面上的示例对此进行了很好的描述。例如，您可以执行文本到视频生成（将书面消息转换为视频）、将静态图像转换为视频、使用参考图像生成特定样式的视频、使用基于文本的消息应用一致的视频编辑、创建动态图片。对图像的特定区域进行动画处理并提供绘画功能中的视频（例如，您可以更改一个人所穿衣服的类型）。
在 Lumiere 研究论文中，谷歌研究人员表示，AI 模型生成了 5 秒长的 1024x1024 像素视频，他们将其描述为“低分辨率”。尽管存在这些限制，研究人员还是进行了一项用户研究，并声称 Lumiere 的结果优于现有的人工智能视频合成模型。
广告
至于训练数据，谷歌没有透露从哪 电话号码数据库 里获取输入 Lumiere 的视频，并写道：“我们在包含 3000 万个视频及其文本标题的数据集上训练我们的 T2V [文本到视频] 模型。” [原文如此] 视频为 80 帧、16 fps（5 秒）。基础模型在 128×128 下进行训练。”
显示 Lumiere AI 模型组件的框图，由 Google 提供。
放大/ Google 提供的显示 Lumiere AI 模型组件的框图。
人工智能生成的视频仍处于原始状态，但其质量在过去两年中不断提高。2022 年 10 月，我们报道了 Google 第一个公开发布的图像合成模型 Image Video。它可以以每秒 24 帧的速度从书面消息生成 1280×768 的短视频剪辑，但结果并不总是一致。在此之前，Meta推出了其AI视频生成器Make-A-Video。去年 6 月，Runway 的 Gen2 视频合成模型能够根据短信创建两秒的视频剪辑，推动了超现实模仿广告的创作。11 月，我们介绍了稳定视频扩散，它可以从静止图像生成短片。
人工智能公司经常用可爱的动物来演示视频生成器，因为目前很难生成连贯的、不变形的人类，特别是因为我们作为人类（你是人类，对吧？），是注意到人体任何缺陷或它们如何变化的专家。移动。看看人工智能生成的威尔·史密斯吃意大利面就知道了。
从谷歌的例子来看（我们自己没有使用过），Lumiere 的表现似乎优于其他人工智能视频生成模型。但由于谷歌倾向于对其人工智能研究模型保密，我们不确定公众何时（如果有的话）有机会亲自尝试。