新火種
2024-03-19 
全球首個類Sora開源復(fù)現(xiàn)方案來了！全面公開訓(xùn)練細(xì)節(jié)和模型權(quán)重
全球首個開源的類Sora架構(gòu)視頻生成模型，來了！
整個訓(xùn)練流程，包括數(shù)據(jù)處理、所有訓(xùn)練細(xì)節(jié)和模型權(quán)重，全部開放。
這就是剛剛發(fā)布的Open-Sora 1.0。
它帶來的實(shí)際效果如下，能生成繁華都市夜景中的車水馬龍。
還能用航拍視角，展現(xiàn)懸崖海岸邊，海水拍打著巖石的畫面。
亦或是延時攝影下的浩瀚星空。
自Sora發(fā)布以來，由于效果驚艷但技術(shù)細(xì)節(jié)寥寥，揭秘、復(fù)現(xiàn)Sora成為了開發(fā)社區(qū)最熱議話題之一。比如Colossal-AI團(tuán)隊(duì)推出成本直降46%的Sora訓(xùn)練推理復(fù)現(xiàn)流程。
短短兩周時間后，該團(tuán)隊(duì)再次發(fā)布最新進(jìn)展，復(fù)現(xiàn)類Sora方案，并將技術(shù)方案及詳細(xì)上手教程在GitHub上免費(fèi)開源。
那么問題來了，復(fù)現(xiàn)Sora如何實(shí)現(xiàn)？
全面解讀Sora復(fù)現(xiàn)方案
Sora復(fù)現(xiàn)方案包括四個方面：
模型架構(gòu)設(shè)計(jì)訓(xùn)練復(fù)現(xiàn)方案數(shù)據(jù)預(yù)處理高效訓(xùn)練優(yōu)化策略模型架構(gòu)設(shè)計(jì)
模型采用了Sora同源架構(gòu)Diffusion Transformer (DiT) 。
它以采用DiT架構(gòu)的高質(zhì)量開源文生圖模型PixArt-α為基座，在此基礎(chǔ)上引入時間注意力層，將其擴(kuò)展到視頻數(shù)據(jù)上。
具體來看，整個架構(gòu)包括一個預(yù)訓(xùn)練好的VAE，一個文本編碼器和一個利用空間-時間注意力機(jī)制的STDiT (Spatial Temporal Diffusion Transformer)模型。
其中，STDiT 每層的結(jié)構(gòu)如下圖所示。
它采用串行的方式在二維的空間注意力模塊上疊加一維的時間注意力模塊，用于建模時序關(guān)系。在時間注意力模塊之后，交叉注意力模塊用于對齊文本的語意。
與全注意力機(jī)制相比，這樣的結(jié)構(gòu)大大降低了訓(xùn)練和推理開銷。
與同樣使用空間-時間注意力機(jī)制的 Latte模型相比，STDiT 可以更好的利用已經(jīng)預(yù)訓(xùn)練好的圖像 DiT 的權(quán)重，從而在視頻數(shù)據(jù)上繼續(xù)訓(xùn)練。
△STDiT結(jié)構(gòu)示意圖
整個模型的訓(xùn)練和推理流程如下。
據(jù)了解，在訓(xùn)練階段首先采用預(yù)訓(xùn)練好的Variational Autoencoder (VAE)的編碼器將視頻數(shù)據(jù)進(jìn)行壓縮，然后在壓縮之后的潛在空間中與文本嵌入(text embedding)一起訓(xùn)練STDiT擴(kuò)散模型。
在推理階段，從VAE的潛在空間中隨機(jī)采樣出一個高斯噪聲，與提示詞嵌入(prompt embedding)一起輸入到STDiT中，得到去噪之后的特征，最后輸入到VAE的解碼器，解碼得到視頻。
△模型訓(xùn)練流程
訓(xùn)練復(fù)現(xiàn)方案
在訓(xùn)練復(fù)現(xiàn)部分，Open-Sora參考了Stable Video Diffusion (SVD)。
一共分為3個階段：
大規(guī)模圖像預(yù)訓(xùn)練；大規(guī)模視頻預(yù)訓(xùn)練；高質(zhì)量視頻數(shù)據(jù)微調(diào)。
每個階段都會基于前一個階段的權(quán)重繼續(xù)訓(xùn)練。
相比于從零開始單階段訓(xùn)練，多階段訓(xùn)練通過逐步擴(kuò)展數(shù)據(jù)，更高效地達(dá)成高質(zhì)量視頻生成的目標(biāo)。
△訓(xùn)練方案三階段
第一階段是大規(guī)模圖像預(yù)訓(xùn)練。
團(tuán)隊(duì)利用互聯(lián)網(wǎng)上豐富的圖像數(shù)據(jù)和文生圖技術(shù)，先訓(xùn)練出一個高質(zhì)量的文生圖模型，將該模型作為下一階段視頻預(yù)訓(xùn)練的初始化權(quán)重。
同時，由于目前沒有高質(zhì)量的時空VAE，他們采用Stable Diffusion預(yù)訓(xùn)練好的圖像VAE。
這樣不僅能保障初始模型的優(yōu)越性能，還能顯著降低視頻預(yù)訓(xùn)練的整體成本。
第二階段是大規(guī)模視頻預(yù)訓(xùn)練。
這一階段主要增加模型的泛化能力，有效掌握視頻的時間序列關(guān)聯(lián)。
它需要使用大量視頻數(shù)據(jù)訓(xùn)練，并且保障視頻素材的多樣性。
同時，第二階段的模型在第一階段文生圖模型的基礎(chǔ)上加入了時序注意力模塊，用于學(xué)習(xí)視頻中的時序關(guān)系。其余模塊與第一階段保持一致，并加載第一階段權(quán)重作為初始化，同時初始化時序注意力模塊輸出為零，以達(dá)到更高效更快速的收斂。
Colossal-AI團(tuán)隊(duì)使用了PixArt-alpha的開源權(quán)重作為第二階段STDiT模型的初始化，以及采用了T5模型作為文本編碼器。他們采用了256×256的小分辨率進(jìn)行預(yù)訓(xùn)練，進(jìn)一步增加了收斂速度，降低訓(xùn)練成本。
△Open-Sora生成效果（提示詞：水中世界的鏡頭，鏡頭中一只海龜在珊瑚礁間悠然游弋）
第三階段是高質(zhì)量視頻數(shù)據(jù)微調(diào)。
據(jù)介紹，這一階段能顯著提升模型的生成質(zhì)量。使用的數(shù)據(jù)規(guī)模比上一階段降低一個量級，但是視頻的時長、分辨率和質(zhì)量都更高。
通過這種方式進(jìn)行微調(diào)，能實(shí)現(xiàn)視頻生成從短到長、從低分辨率到高分辨率、從低保真度到高保真度的高效擴(kuò)展。
值得一提的是，Colossal-AI還詳細(xì)透露了每階段的資源使用情況。
在Open-Sora的復(fù)現(xiàn)流程中，他們使用了64塊H800進(jìn)行訓(xùn)練。第二階段的訓(xùn)練量一共是 2808 GPU hours，約合7000美元，第三階段的訓(xùn)練量是1920 GPU hours，大約4500美元。經(jīng)過初步估算，整個訓(xùn)練方案成功把Open-Sora復(fù)現(xiàn)流程控制在了1萬美元左右。
數(shù)據(jù)預(yù)處理
為了進(jìn)一步降低Sora復(fù)現(xiàn)的門檻和復(fù)雜度，Colossal-AI團(tuán)隊(duì)在代碼倉庫中還提供了便捷的視頻數(shù)據(jù)預(yù)處理腳本，讓大家可以輕松啟動Sora復(fù)現(xiàn)預(yù)訓(xùn)練。
包括公開視頻數(shù)據(jù)集下載、長視頻根據(jù)鏡頭連續(xù)性分割為短視頻片段、使用開源大語言模型LLaVA生成精細(xì)的提示詞。
他們提供的批量視頻標(biāo)題生成代碼可以用兩卡 3 秒標(biāo)注一個視頻，并且質(zhì)量接近于 GPT-4V。
最終得到的視頻/文本對可直接用于訓(xùn)練。借助他們在GitHub上提供的開源代碼，可以輕松地在自己的數(shù)據(jù)集上快速生成訓(xùn)練所需的視頻/文本對，顯著降低了啟動Sora復(fù)現(xiàn)項(xiàng)目的技術(shù)門檻和前期準(zhǔn)備。
高效訓(xùn)練加持
除此之外，Colossal-AI團(tuán)隊(duì)還提供了訓(xùn)練加速方案。
通過算子優(yōu)化和混合并行等高效訓(xùn)練策略，在處理64幀、512×512分辨率視頻的訓(xùn)練中，實(shí)現(xiàn)了1.55倍的加速效果。
同時，得益于Colossal-AI的異構(gòu)內(nèi)存管理系統(tǒng)，在單臺服務(wù)器上（8H800）可以無阻礙地進(jìn)行1分鐘的1080p高清視頻訓(xùn)練任務(wù)。
而且團(tuán)隊(duì)還發(fā)現(xiàn)STDiT模型架構(gòu)在訓(xùn)練時也展現(xiàn)出卓越的高效性。
和采用全注意力機(jī)制的DiT相比，隨著幀數(shù)的增加，STDiT實(shí)現(xiàn)了高達(dá)5倍的加速效果，這在處理長視頻序列等現(xiàn)實(shí)任務(wù)中尤為關(guān)鍵。
團(tuán)隊(duì)和新火種透露，他們將長期更新優(yōu)化Open-Sora的相關(guān)解決方案和動態(tài)。未來將使用更多視頻訓(xùn)練數(shù)據(jù)，以生成更高質(zhì)量、更長時長的視頻內(nèi)容，并支持多分辨率特性。
實(shí)際應(yīng)用方面，團(tuán)隊(duì)透露將推進(jìn)在電影、游戲、廣告等領(lǐng)域落地。
感興趣的開發(fā)者們，可訪問GitHub項(xiàng)目了解更多~
Open-Sora 開源地址：https://github.com/hpcaitech/Open-Sora
參考：
[1]2212.09748 Scalable Diffusion Models with Transformers
[2]2310.00426 PixArt-α: Fast Training of Diffusion Transformer for Photorealistic Text-to-Image Synthesis
[3]2311.15127 Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets
[4]h2401.03048 Latte: Latent Diffusion Transformer for Video Generation
[5]stabilityai/sd-vae-ft-mse-original
[6]google-research/text-to-text-transfer-transformer
[7]haotian-liu/LLaVA
[8]blog/open-sora-v1.0
相關(guān)推薦
- 免責(zé)聲明
- 本文所包含的觀點(diǎn)僅代表作者個人看法，不代表新火種的觀點(diǎn)。在新火種上獲取的所有信息均不應(yīng)被視為投資建議。新火種對本文可能提及或鏈接的任何項(xiàng)目不表示認(rèn)可。 交易和投資涉及高風(fēng)險(xiǎn)，讀者在采取與本文內(nèi)容相關(guān)的任何行動之前，請務(wù)必進(jìn)行充分的盡職調(diào)查。最終的決策應(yīng)該基于您自己的獨(dú)立判斷。新火種不對因依賴本文觀點(diǎn)而產(chǎn)生的任何金錢損失負(fù)任何責(zé)任。
