本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

?擴散模型最近是真的有點火。

前有OpenAI用它打敗霸榜多年的GAN，現在谷歌又緊隨其后，提出了一個視頻擴散模型。

和圖像生成一樣，初次嘗試，它居然就表現出了不俗的性能。

比如輸入“fireworks”，就能生成這樣的效果：

滿屏煙花盛放，肉眼看上去簡直可以說是以假亂真了。

為了讓生成視頻更長、分辨率更高，作者還在這個擴散模型中引入了一種全新的采樣方法。

最終，該模型在無條件視頻生成任務中達到全新SOTA。

一起來看。

由圖像擴散模型擴展而成

這個擴散視頻模型，由標準的圖像擴散模型UNet擴展而成。

UNet是一種神經網絡架構，分為空間下采樣通道和上采樣通道，通過殘差連接。

該網絡由多層2D卷積殘差塊構建而成，每個卷積塊后面跟著一個空間注意塊。

通過固定幀數的塊，以及在空間和時間上分解的3D U-Net，就可以將它擴展為視頻模型。

具體來說：

先將每個二維卷積更改為三維卷積（space-only），比如將3x3卷積更改為1x3x3卷積（第一軸（axis）索引視頻幀，第二軸和第三軸索引空間高度和寬度）。

每個空間注意塊中的注意力仍然專注于空間維度。

然后，在每個空間注意塊之后，插入一個時間注意塊；該時間注意塊在第一個軸上執行注意力，并將空間軸視為批處理軸（batch axes）。

眾所周知，像這樣在視頻Transformer中分對時空注意力進行分解，會讓計算效率更高。

由此一來，也就能在視頻和圖像上對模型進行聯合訓練，而這種聯合訓練對提高樣本質量很有幫助。

此外，為了生成更長和更高分辨率的視頻，作者還引入了一種新的調整技術：梯度法。

它主要修改模型的采樣過程，使用基于梯度的優化來改善去噪數據的條件損失，將模型自回歸擴展到更多的時間步（timestep）和更高的分辨率。

評估無條件和文本條件下的生成效果

對于無條件視頻生成，訓練和評估在現有基準上進行。

該模型最終獲得了最高的FID分數和IS分數，大大超越了此前的SOTA模型。

對于文本條件下的視頻生成，作者在1000萬個字幕視頻的數據集上進行了訓練，空間分辨率為64x64px；

在此之前，視頻生成模型采用的都是各種GAN、VAE，以及基于流的模型以及自回歸模型。

所以這也是他們首次報告擴散模型根據文本生成視頻的結果。

下圖則顯示了無分類器引導對該模型生成質量的影響：與其他非擴散模型一致，添加引導會增加每個單獨圖像的保真度（右為該視頻擴散模型，可以看到它的圖片更加真實和清晰）。

△ 圖片為隨機截取的視頻幀

最后，作者也驗證發現，他們所提出的梯度法在生成長視頻時，確實比此前的方法更具多樣性，也就更能保證生成的樣本與文本達成一致。

△ 右為梯度法

論文地址：https://arxiv.org/abs/2204.03458

項目主頁：https://video-diffusion.github.io/