集結開源社區力量！北大與兔展智能發起復現Sora，框架已開源
“集結開源社區力量”
豐色 發自 凹非寺
量子位 | 公眾號 QbitAI
重磅：
北大團隊聯合兔展發起了一項Sora復現計劃——Open Sora。
框架、實現細節已出：
初始團隊一共13人：
帶隊的是北大信息工程學院助理教授、博導袁粒和北大計算機學院教授、博導田永鴻等人。
為什么發起這項計劃？
因為資源有限，團隊希望集結開源社區的力量，盡可能完成復現。
消息一出，就有人北大校友即刻響應：
還有人表示可以提供高質量數據集：
所以，“國產版Sora”的新挑戰者，就這么來了？
計劃細節，已完成3個初步功能
首先，來看目前公布的技術細節——即團隊打算如何復現Sora。
整體框架上，它將由三部分組成：
- Video VQ-VAE
- Denoising Diffusion Transformer（去噪擴散型Transformer）
- Condition Encoder（條件編碼器）
這和Sora技術報告的內容基本差不多。
對于Sora視頻的可變長寬比，團隊通過參考上海AI Lab剛剛提出的FiT（Flexible Vision Transformer for Diffusion Model，即“升級版DiT”）實施一種動態掩碼策略，從而在并行批量訓練的同時保持靈活的長寬比。
具體來說, 我們將高分辨率視頻在保持長寬比的同時下采樣至最長邊為256像素, 然后在右側和底部用零填充至一致的256×256分辨率。這樣便于videovae以批量編碼視頻, 以及便于擴散模型使用注意力掩碼對批量潛變量進行去噪。
對于可變分辨率，團隊則表示在推理過程中，盡管在固定的256×256分辨率上進行訓練,，但使用位置插值來實現可變分辨率采樣。
具體而言：
我們將可變分辨率噪聲潛變量的位置索引從[0, seq_length-1]下調到[0, 255]，以使其與預訓練范圍對齊。這種調整使得基于注意力的擴散模型能夠處理更高分辨率的序列。對于可變時長，則使用VideoGPT中的Video VQ-VAE,，將視頻壓縮至潛在空間，支持這一功能。
同時，還要在擴展空間位置插值至時空維度，實現對可變時長視頻的處理。
在此，主頁也先給了兩個demo，分別是10s視頻重建和18s重建，分辨率分別為256×256和196×196：
這三個功能都已經初步實現。
相關的訓練代碼也已經在對應的倉庫上上線：
成員介紹，目前的訓練是在8個A100-80G上進行的（明顯還遠遠不夠），輸入大小為8幀 128 128，大概需要1周時間才能生成類似ucf（一個視頻數據集）的效果。
而從目前已經列出的9項to do事項來看，除了可變長寬比、可變分辨率和可變時長，動態掩碼輸入、在embeddings上添加類條件這兩個任務也已完成。
未來要做的包括：
- 采樣腳本
- 添加位置插值
- 在更高分辨率上微調Video-VQVAE
- 合并SiT
- 納入更多條件
- 以及最重要的：使用更多數據和更多GPU進行訓練
袁粒、田永鴻領銜
嚴格來說，Open Sora計劃是北大-兔展AIGC聯合實驗室聯合發起的。
領銜者之一袁粒，為北大信息工程學院助理教授、博導，去年獲得福布斯30歲以下亞洲杰出人物榜單。
他分別在中國科學技術大學和新加坡國立大學獲得本科和博士學位。
研究方向為深度視覺神經網絡設計和多模態機器學習，代表性一作論文之一T2T-ViT被引次數1000+。
領銜者之二田永鴻，北京大學博雅特聘教授，博士生導師，IEEE、ACM等fellow，兼任鵬城實驗室（深圳）人工智能研究中心副主任，曾任中科院計算所助理研究員、美國明尼蘇達大學訪問教授。
從目前公布的團隊名單來看，其余成員大部分為碩士生。
包括袁粒課題組的林彬，他曾多次以一作或共同一作身份參與了“北大版多模態MoE模型”MoE-LLaVA、Video-LLaVA和多模態對齊框架LanguageBind（入選ICLR 2024）等工作。
兔展這邊，參與者包括兔展智能創始人、董事長兼CEO董少靈（他也是北大校友）以及CTO周星。
完整名單：
誰能率先發布中文版Sora？
相比ChatGPT，引爆文生視頻賽道的Sora研發難度顯然更大。
誰能奪得Sora中文版的首發權，目前留給公眾的是一個大大的問號。
在這之中，傳聞最大的是字節。
今年2月初，張楠辭去抖音集團CEO一職，轉而負責剪映，就引發了外界猜測。
很快，一款叫做“Boximator”的視頻生成模型浮出水面。
它基于PixelDance和ModelScope兩個之前的成果上完成訓練。
不過，很快字節就辟謠這不是“字節版sora”：
它的效果離Sora還有很大差距，暫時不具備落地條件，并且至少還需2-3個月才能上線demo給大家測試。
但，風聲并未就此平息。
去年11月，字節剪映悄悄上線了一個AI繪畫工具“Dreamina”，大家的評價還不錯。
現在，又有消息稱：
Dreamina即將上線類似sora的視頻生成功能（目前在內測）。
不知道，這一次是不是字節亮出的大招呢？
Open Sora項目主頁：
https://pku-yuangroup.github.io/Open-Sora-Plan/blog_cn.html
https://github.com/PKU-YuanGrou
- 北大開源最強aiXcoder-7B代碼大模型！聚焦真實開發場景，專為企業私有部署設計2024-04-09
- 剛剛，圖靈獎揭曉！史上首位數學和計算機最高獎“雙料王”出現了2024-04-10
- 8.3K Stars!《多模態大語言模型綜述》重大升級2024-04-10
- 谷歌最強大模型免費開放了！長音頻理解功能獨一份，100萬上下文敞開用2024-04-10
相關閱讀
