前段时间，我曾经介绍过Imagen Video模型。它能够在输入一句话中，生成5~6秒的视频。而且由于采用了“空间高分辨率模型”和“时域高分辨率模型”的级联模型，它能够清晰度在1280×768的高清视频。具体的介绍可以回看我之前写的文章：
虽然Imagen Video模型，能够生成高清晰度的短视频，但是仅仅只有5秒左右的时间，因此实际的用处并不到。为了克服这个缺点，谷歌也进一步发布了Phenaki模型。
Phenaki
这个模型不同点在于，它能够根据200个词语，生成2分钟以上的视频。
比如输入文字：
一只逼真的泰迪熊正在旧金山的海里游泳
泰迪熊下水了
泰迪熊和五颜六色的鱼在水下游泳
一只熊猫在水下游泳
或者输入“泰迪熊在海洋中潜水”、“宇航员在火星上跳舞”等词语，可以生成下面的短视频：
同时该模型在修改prompt提示词语的时候，也能够生成不一样的短视频：
技术细节
谷歌新提出的Phenaki，主要是引入了一个新的causal model。这个模型从离散的tokens去压缩视频，使得模型能够克服视频长度的问题。
如下图所示，它能够根据超长的prompt去生成每一秒的视频：
同时分词器使用了causal attention，这使得它能够处理可变长度的视频。为了从文本生成视频tokens，论文中使用了一个基于预先计算的文本标记的双向掩码transformer。
生成的视频tokens随后被去标记化以创建实际视频。同时为了解决数据问题，论文中使用了大量图像-文本对语料库以及少量视频-文本示例上进行联合训练，从而实现超出视频数据集可用范围的泛化。
先来看一下具体的模型结构
- C-ViViT Encoder：把输入的视频构造成离散的embedding进行输出
- Traning Transformer：使用了预训练模型T5X，把embedding翻译成视频tokens
- Video Generation：把视频tokens转换成视频
1
Encoder-Decoder架构：C-VIVIT
在Phenaki中，由于目标是生成可变长度的视频，同时将视频tokerns的数量保持在最小，以便在当前的计算限制范围内使用transformer对其进行建模。
因此引入了C-ViViT，这是ViViT的一种casual结构，它可以在时间和空间维度上压缩视频，同时保持时间上的自回归。这种能力允许任意长度生成视频
casual attention如上所示。本质上就是，每个时间步的tokens仅以自回归方式观察来自先前帧的空间标记。这样做的效果是第一帧可以完全独立地编码。这为文本到图像训练自然嵌入到视频模型中提供了可能性。第二个优点是，我们可以根据起始帧的数量来调节视频生成过程。
2
双向Transformer
在这个任务里面，可以把文本到视频当作是一个seq-to-seq的任务。即可以从文本预测视频tokerns。
同时对长视频进行随机采样，这样可以有效减少预测的时间步，提高计算效率。
对于训练来说，从0~1之间随机选择一个mask比率，把一定的时间步用[MASK]替换掉，然后在训练的时候则可以预测这些标签。
从实验效果上看，可以生成不同风格的视频。
文本生成视频所带来的问题
视频生成模型可以用来对社会产生积极影响，例如通过放大和增强人类的创造力。然而，这些生成模式也可能被滥用，例如生成虚假、仇恨、明确或有害的内容。
同时，新的AI技术带来的行业革新也在悄悄的发生。比如未来可以利用这些模型合成短视频，发布的短视频平台上。到时候你看到的视频，有可能已经不是真人视频了。
好了，本期就到这里了，我是leo，欢迎关注我的知乎/公众号“算法一只狗”，我们下期再见~
