Stable Diffusion官方終于對視頻下手了——

發布生成式視頻模型Stable Video Diffusion（SVD）。

Stability AI官方博客顯示，全新SVD支持文本到視頻、圖像到視頻生成：

并且還支持物體從單一視角到多視角的轉化，也就是3D合成：

根據外部評估，官方宣稱SVD甚至比runway和Pika的視頻生成AI更受用戶歡迎。

雖然目前只發布了基礎模型，但官方透露“正計劃繼續擴展，建立類似于Stable Diffusion的生態系統”。

目前論文代碼權重已上線。

最近視頻生成領域不斷出現新玩法，這次輪到Stable Diffusion下場，以至于網友們的第一反應就是“快”，進步太快！

但僅從Demo效果來說，更多網友們表示并沒有感到很驚喜。

雖然我喜歡SD，而且這些Demo也很棒……但也存在一些缺陷，光影不對、而且整體不連貫（視頻幀與幀之間閃爍）。

總歸來說這是個開始，網友對SVD的3D合成功能還滿是看好：

我敢打賭，很快就會有更好的東西出來，到時候只要描述一下，就會得到一個完整的3D場景。

SD視頻官方版來襲

除了上面展示的，官方還發布了更多Demo，先來看一波：

太空漫步也安排上：

背景不動，只讓兩只鳥動也可以：

SVD的研究論文目前也已發布，據介紹SVD基于Stable Diffusion 2.1，用約6億個樣本的視頻數據集預訓練了基礎模型。

可輕松適應各種下游任務，包括通過對多視圖數據集進行微調從單個圖像進行多視圖合成。

微調后，官方公布的是兩種圖像到視頻模型，可以以每秒3到30幀之間的自定義幀速率生成14（SVD）和25幀（SVD-XT）的視頻：

之后又微調了多視角視頻生成模型，叫做SVD-MV：

根據測試結果，在GSO數據集上，SVD-MV得分優于多視角生成模型Zero123、Zero123XL、SyncDreamer：

值得一提的是，Stability AI表示SVD目前僅限于研究，不適用于實際或商業應用。SVD目前也不是所有人都可以使用，但已開放用戶候補名單注冊。

視頻生成大爆發

最近視頻生成領域呈現出一種“混戰”的局面。

前有PikaLabs開發的文生視頻AI：

后又有號稱“史上最強大的視頻生成AIMoonvalley推出：

最近Gen-2的“運動筆刷”功能也正式上線，指哪畫哪：

這不現在SVD又出現了，又有要卷3D視頻生成的可能。

但文本到3D生成方面好像還沒有太多進展，網友對這一現象也很是困惑。

有人認為數據是阻礙發展的瓶頸：

還有網友表示原因在于強化學習還不夠強：

家人們對這方面的最新進展有了解嗎？歡迎評論區分享～

論文鏈接：https://static1.squarespace.com/static/6213c340453c3f502425776e/t/655ce779b9d47d342a93c890/1700587395994/stable_video_diffusion.pdf