字節版Sora火爆24小時，同名論文再次被熱議

“不需要再等OpenAI的鴿王Sora了”。?

字節版Sora終于來了，這一次還憋了個大的——

一口氣推出Seaweed和PixelDance兩款豆包視頻模型，支持文生/圖生視頻，時長可達10s。

以PixelDance為例，其最大特色在于多主體交互，一致性多鏡頭生成。

啥意思？？——直接來看幾個官方demo。

First kill，現在手上有這樣一張原圖：

若使用當前大多視頻模型，一般只能進行到“摘墨鏡”這個環節；而PixelDance能解鎖時序性多拍動作指令。（摘完墨鏡還能站起來，并走向雕像）

還有類似電視劇的飆戲名場面（多個主體），各自眼神、動作，一整個拿捏。

Double kill，飽受吐槽的PPT動畫有新解了。PixelDance擁有變焦、環繞、平搖、縮放、目標跟隨等多鏡頭話語言能力。

提示詞：一名亞洲男子帶著護目鏡游泳，身后是另一名穿潛水服的男子

關鍵來了，在一致性方面，PixelDance號稱能10秒講述完整故事。

說人話就是，在一句提示詞內，實現多個鏡頭切換，同時保持主體、風格和氛圍的一致性。

提示詞：一個女孩兒從汽車上下來，遠處是夕陽

另外，PixelDance支持多種風格比例。（說你呢Runway）

提示詞：水墨風格的鳥，比例16:9

小結一下，字節版Sora這次主打多主體交互、酷炫運鏡、一致性多鏡頭以及多風格比例。

發布會一結束，網友們的期待值也是拉滿了，嗷嗷待哺內測資格！

與此同時，字節研究團隊一篇PixelDance同名論文，也被扒了出來，再次引發熱議。???

背后論文揭示「PixelDance」原型??

字節團隊此前入選CVPR 2024的論文，就提出了名為一種PixelDance的模型。?

先劃重點，團隊采用的方法可以概括為：

基于潛在擴散模型，結合視頻片段的首幀和尾幀圖像指令與文本指令進行視頻生成，并有效利用公開視頻數據進行訓練。

首先，團隊采用廣泛使用的2D UNet作為擴散模型，該模型由一系列空間下采樣層和一系列空間上采樣層構建，并插入了跳躍連接。

具體來說，它由兩個基本模塊構建，即2D卷積模塊和2D注意力模塊。

通過插入時間層將2D UNet 擴展為3D變體，其中在2D卷積層之后插入1D時間卷積層，2D注意力層之后插入1D時間注意力層。

模型可以通過圖像和視頻聯合訓練，在空間維度上保持高保真生成能力。

不過對于圖像輸入，1D時間操作被禁用。團隊在所有時間注意力層中使用雙向自注意力。

其次是指令注入。具體來說，PixelDance基于<文本，首幀，尾幀>指令。

• 文本指令源于使用詳細的文本注釋以精確描述視頻的幀和動作
• 首幀圖像指令描述了視頻片段的主要場景
• 尾幀圖像指令（在訓練和推理過程中可選使用）描繪了視頻片段的結尾，并提供了額外的控制

這里要插一句，與文本指令相比，圖像指令更加直接且易于獲取——使用真實視頻幀作為訓練中的圖像指令。

據了解，文本指令由預訓練的文本編碼器編碼，并通過交叉注意力融入擴散模型。

圖像指令由預訓練的VAE編碼器編碼，并與受擾的視頻潛變量或高斯噪聲一起作為擴散模型的輸入。

在訓練過程中，團隊使用（真實的）首幀指令來強制模型嚴格遵循該指令，從而保持連續視頻片段之間的一致性。

當然了，PixelDance獨特之處在于使用尾幀指令的方式。

簡單說，團隊有意避免讓模型完全復制尾幀指令，因為在推理過程中提供一個完美的尾幀是很困難的，模型應該能夠處理用戶提供的粗略草稿，并作為指導。

為了實現這一點，團隊開發了三項技術：

1、在訓練過程中，尾幀指令是從視頻片段的最后三幀（真實的）中隨機選擇的。
2、向指令中引入了噪聲，以減少對指令的依賴性并提高模型的魯棒性。
3、在訓練中以一定概率（例如 25%）隨機丟棄尾幀指令。

相應地，團隊提出了一種簡單但有效的推理策略。

概括起來就是，在前τ次去噪步驟中，利用尾幀指令引導視頻生成朝向期望的結束狀態。

在剩余的步驟中，指令被丟棄，允許模型生成時間上更連貫的視頻。

通過調整τ，可以控制尾幀指令對生成結果的影響。

接下來，團隊在WebVid-10M數據集上訓練了視頻擴散模型，該數據集包含大約1000萬個短視頻片段——

平均時長為18秒，分辨率通常為336 × 596，且每個視頻都附有與視頻內容松散相關的文本描述。

不過WebVid-10M存在一個問題，即所有視頻上都帶有水印，這導致生成的視頻中也會包含水印。

因此，團隊將訓練數據擴展為另外自收集的50萬個無水印視頻片段，它們包含真實世界的實體，如人類、動物、物體和風景，并附有粗粒度的文本描述。

盡管這一額外數據集只占了很小比例，但團隊驚訝地發現：

將該數據集與WebVid-10M結合訓練后，如果圖像指令沒有水印，PixelDance就能夠生成無水印的視頻。

最終，PixelDance在視頻-文本數據集和圖像-文本數據集上進行聯合訓練。

對于視頻數據，從每個視頻中隨機采樣16個連續幀，每秒4幀。

此外，按照之前的工作，采用LAION-400M作為圖像-文本數據集；每8次訓練迭代使用一次圖像-文本數據。

自論文發布之后，到產品上線這段時間具體又做了哪些改進，目前還不得而知。

由于剛發布，目前只能簡單看到官方提及：

感興趣的話可以親自上手試一試來感受一下，目前豆包視頻模型已在火山引擎開啟企業用戶的邀請測試；個人用戶可在字節旗下的即夢AI申請內測。

官方聲稱，未來將逐步開放給所有用戶。

那么，你期待這次的字節版sora嗎？