OpenAI 的 ?Sora 技術報告詳解
Sora 詳細的技術報告發布了，相關從業者可能都需要看看。
里面有 Open AI的訓練思路以及 Sora 詳細的技術特性，我從里面找了一些要點，詳細的可以去看完整內容。
簡單來說 Sora 的訓練量足夠大也產生了類似涌現的能力。
技術特點
三維空間的連貫性：Sora可以生成帶有動態相機運動的視頻。隨著相機移動和旋轉，人物和場景元素在三維空間中保持連貫的運動。
模擬數字世界：Sora還能模擬人工過程，如視頻游戲。Sora能夠同時控制Minecraft中的玩家，并高保真地渲染游戲世界及其動態。通過提及“Minecraft”的提示，可以零樣本地激發Sora的這些能力
長期連續性和物體持久性：對視頻生成系統來說，Sora通常能夠有效地模擬短期和長期的依賴關系。同樣，它能在一個樣本中生成同一角色的多個鏡頭，確保其在整個視頻中的外觀一致。
與世界互動：Sora有時能夠模擬對世界狀態產生簡單影響的行為。例如，畫家可以在畫布上留下隨時間持續的新筆觸，或者一個人吃漢堡時留下咬痕。
訓練過程
Sora 的訓練受到了大語言模型（Large Language Model）的啟發。這些模型通過在互聯網規模的數據上進行訓練，從而獲得了廣泛的能力。
Sora實際上是一種擴散型變換器模型（diffusion transformer）。
首先將視頻壓縮到一個低維潛在空間19中，然后將這種表現形式分解成時空區塊，從而將視頻轉換為區塊。
訓練了一個用于降低視覺數據維度的網絡。這個網絡以原始視頻為輸入，輸出在時間和空間上都被壓縮的潛在表示。Sora在這個壓縮的潛在空間上進行訓練，并在此空間中生成視頻。還開發了一個對應的解碼器模型，它能將生成的潛在表示映射回到像素空間。
對于給定的壓縮輸入視頻，提取一系列時空區塊，它們在變換器模型中充當標記（token）。這種方案同樣適用于圖像，因為圖像本質上是單幀的視頻。基于區塊的表示方法使Sora能夠針對不同分辨率、持續時間和縱橫比的視頻和圖像進行訓練。在推理過程中，可以通過在適當大小的網格中排列隨機初始化的區塊來控制生成視頻的大小。
隨著 Sora 訓練計算量的增加，樣本質量有了顯著提升。
Sora訓練時沒有對素材進行裁切，使得Sora能夠直接為不同設備以其原生縱橫比創造內容。
針對視頻的原生縱橫比進行訓練，還可以提高構圖和取景的質量。
訓練文本到視頻的生成系統需要大量配有相應文本提示的視頻。應用了在DALL·E 3中引入的重新字幕技術到視頻上。
與DALL·E 3相似，也利用了GPT技術，將用戶的簡短提示轉換成更詳細的提示，然后發送給視頻模型。Video generation models as world simulators
論文關鍵點
OpenAI 的研究論文《Video generation models as world simulators》探討了在視頻數據上進行大規模訓練生成模型的方法。這項研究特別關注于文本條件擴散模型，這些模型同時在視頻和圖像上進行訓練，處理不同時長、分辨率和寬高比的數據。研究中提到的最大模型 Sora 能夠生成長達一分鐘的高保真視頻。以下是論文的一些關鍵點：
- 統一的視覺數據表示：研究者們將所有類型的視覺數據轉換為統一的表示，以便進行大規模的生成模型訓練。Sora 使用視覺補丁（patches）作為其表示方式，類似于大型語言模型（LLM）中的文本標記。
- 視頻壓縮網絡：研究者們訓練了一個網絡，將原始視頻壓縮到一個低維潛在空間，并將其表示分解為時空補丁。Sora 在這個壓縮的潛在空間中進行訓練，并生成視頻。
- 擴散模型：Sora 是一個擴散模型，它通過預測原始“干凈”的補丁來從輸入的噪聲補丁中生成視頻。擴散模型在語言建模、計算機視覺和圖像生成等領域已經顯示出了顯著的擴展性。
- 視頻生成的可擴展性：Sora 能夠生成不同分辨率、時長和寬高比的視頻，包括全高清視頻。這種靈活性使得 Sora 能夠直接為不同設備生成內容，或者在生成全分辨率視頻之前快速原型化內容。
- 語言理解：為了訓練文本到視頻生成系統，需要大量的視頻和相應的文本標題。研究者們應用了在 DALL·E 3 中引入的重新描述技術，首先訓練一個高度描述性的標題生成器，然后為訓練集中的所有視頻生成文本標題。
- 圖像和視頻編輯：Sora 不僅能夠基于文本提示生成視頻，還可以基于現有圖像或視頻進行提示。這使得 Sora 能夠執行廣泛的圖像和視頻編輯任務，如創建完美循環的視頻、動畫靜態圖像、向前或向后擴展視頻等。
- 模擬能力：當視頻模型在大規模訓練時，它們展現出了一些有趣的新興能力，使得 Sora 能夠模擬物理世界中的某些方面，如動態相機運動、長期一致性和對象持久性等。
- 討論：盡管 Sora 展示了作為模擬器的潛力，但它仍然存在許多局限性，例如在模擬基本物理交互（如玻璃破碎）時的準確性不足。研究者們認為，繼續擴展視頻模型是開發物理和數字世界模擬器的有前途的道路。
這篇論文提供了對 Sora 模型的深入分析，展示了其在視頻生成領域的潛力和挑戰。通過這種方式，OpenAI 正在探索如何利用 AI 來更好地理解和模擬我們周圍的世界。
論文報告：https://openai.com/research/video-generation-models-as-world-simulators。
本文轉載自探索者知白，作者：知白 ??AI??
