Neue Dimensionen der Videoproduktion durch fortschrittliche Diffusionsmodelle
Mindverse News
KI-gestützt erstellt 8 Quellen Arbeitsweise
// Inhalt · 7 Abschnitte
Aktuelle Entwicklungen in der Videoerzeugung durch Diffusionsmodelle
Die jüngsten Fortschritte im Bereich der Diffusionsmodelle haben die Möglichkeiten der Videoerzeugung erheblich erweitert. Insbesondere das Trajectory-oriented Diffusion Transformer (DiT) Modell, bekannt als Tora, hat durch seine Fähigkeit, Videos mit kontrollierbaren Bewegungen zu erzeugen, Aufmerksamkeit erregt. Diese Entwicklung könnte die Art und Weise, wie wir Videos erstellen und bearbeiten, revolutionieren.
Hintergrund und Notwendigkeit
Diffusionsmodelle haben sich als leistungsstarke Werkzeuge zur Erzeugung von Bildern und Videos erwiesen. Frühere Modelle, die auf U-Net-Architekturen basieren, waren jedoch in ihrer Fähigkeit, längere und konsistente Videos zu erzeugen, begrenzt. Die Einführung von DiT-Modellen, wie Sora, hat diese Einschränkungen überwunden und die Videoerzeugung auf ein neues Niveau gehoben, indem sie hochauflösende Videos mit verschiedenen Aspektverhältnissen und Längen erzeugen können.
Das Tora-Modell
Tora ist das erste Modell, das Text-, Bild- und Trajektoriendaten gleichzeitig integriert, um Videos zu erzeugen. Es besteht aus drei Hauptkomponenten:
-
- Trajectory Extractor (TE)
- Spatial-Temporal DiT
- Motion-guidance Fuser (MGF)
Der Trajectory Extractor kodiert beliebige Trajektorien in hierarchische Raum-Zeit-Bewegungspatches, die anschließend in die DiT-Blöcke integriert werden, um konsistente Videos zu erzeugen, die den vorgegebenen Trajektorien folgen.
Technische Umsetzung
Die technische Umsetzung von Tora basiert auf der offenen Version von Sora, bekannt als OpenSora. Der Trajectory Extractor wandelt Positionsverschiebungen zwischen aufeinanderfolgenden Frames in das RGB-Domain um und verwendet einen 3D-Variational Autoencoder (VAE), um diese Visualisierungen in Raum-Zeit-Bewegungslatents zu kodieren. Diese Latents werden dann in mehreren Ebenen von Bewegungsbedingungen zerlegt, die in die DiT-Blöcke eingefügt werden.
Training und Daten
Für das Training von Tora sind annotierte Videos mit Untertiteln und Bewegungstrajektorien erforderlich. OpenSoras Workflow wird angepasst, um Rohvideos in hochwertige Video-Text-Paare zu verwandeln, und ein optischer Fluss-Schätzer wird zur Extraktion der Trajektorien verwendet. Diese sorgfältige Auswahl führt zu einem Datensatz mit 630.000 hochwertigen Videoclips mit konsistenter Bewegung.
Wissenschaftliche Beiträge und Experimente
Die Hauptbeiträge von Tora sind:
-
- Einführung des ersten Trajektorien-orientierten DiT für die Videoerzeugung
- Entwicklung eines neuartigen Trajektorien-Extraktors und eines Bewegungsführungs-Fusionsmechanismus
- Durchführung umfangreicher Experimente, die zeigen, dass Tora in der Lage ist, Videos mit 720p Auflösung und unterschiedlichen Aspektverhältnissen zu erzeugen
Die Experimente zeigen, dass Tora Videos mit hoher Bewegungsgenauigkeit und realistischer Simulation der Bewegungen in der physischen Welt erzeugen kann.
Fazit und Ausblick
Tora stellt einen bedeutenden Fortschritt in der Videoerzeugung durch Diffusionsmodelle dar. Mit seiner Fähigkeit, Videos mit kontrollierbaren Bewegungen zu erzeugen, eröffnet es neue Möglichkeiten für die kreative und professionelle Nutzung von Videos. Die kontinuierliche Weiterentwicklung und Erforschung von DiT-Modellen wird voraussichtlich weitere Verbesserungen und Anwendungen in diesem dynamischen Forschungsbereich bringen.
Bibliographie
- https://huggingface.co/papers/2407.21705
- https://arxiv.org/html/2407.21705v1
- https://huggingface.co/papers?date=2024-08-01
- https://huggingface.co/papers
- https://huggingface.co/papers?date=2024-06-13
- https://huggingface.co/papers/2312.04557
- https://huggingface.co/papers/2310.19512
- https://huggingface.co/papers/2403.14773
//Nächster Artikel
NVIDIA
Nvidia setzt bei DSX POD auf vorgefertigte KI-RechenzentrenNvidia kündigt DSX POD an: Vorgefertigte Vera-Rubin-Module sollen die Inbetriebnahme an vorbereiteten Standorten von sechs Monaten auf 14 Tage verkürzen.
// Artikel teilen
Mehr zu Bild- & Video-KI
Alle Bild & Video-News- BridgeWAM soll Robotersteuerung mit einem kompakten Video-Action-Übergang beschleunigen
BridgeWAM nutzt 32 latente Queries statt dichter Video-Action-Kopplung. Die Autoren berichten Benchmarkwerte, Robotik-Latenzen und Grenzen.
- AVC-Reward bewertet Audio-Video-Generierung anhand einzelner Ereignisse
AVC-Reward bewertet Audio-Video-Konsistenz auf Ereignisebene und soll Fehler lokalisieren. Was die Methode leistet – und welche Resultate offenbleiben.
- Paper entkoppelt bei Videogenerierung Modellfenster und Ausgabe [S2]
Ein Paper trennt Modellfenster und Ausgabegranularität bei interaktiver Videogenerierung. Die Autoren berichten Qualitäts- und Latenztests mit klaren Grenzen. [S2][S3]
- PPMem setzt auf kompakte 3D-Flächen als Langzeitgedächtnis für Videomodelle
PPMem speichert Szenen als kompakte 3D-Flächen und soll so kohärente Videogenerierung über lange Sequenzen und wechselnde Blickwinkel ermöglichen. [S1]
// Dranbleiben
Mindverse News folgen
Neue Meldungen erhalten Sie über unseren RSS-Feed oder auf LinkedIn.
Passend dazu in Mindverse Studio
- Videos mit KI erstellenVon der Idee zum fertigen Clip — Videogenerierung direkt in Studio.
- Prozesse mit KI-Workflows automatisierenVisuelle Automatisierung wiederkehrender Abläufe — mit Freigabeschritten.
- Transkription und Meeting-Protokolle60 Minuten Meeting, 2 Minuten Protokoll — mit Sprechererkennung.
Recherchieren Sie KI-News wie diese selbst — mit Mindverse Studio.
7 Tage kostenlos testen — ohne Kreditkarte, mit 200 Credits. Für Fragen zur Umsetzung buchen Sie eine persönliche Demo.
//Chronik
Aus dem Archiv · rund um den 4. August 2024
← Davor erschienen