Film Gen: Eine Besetzung von Medien-Grundlagenmodellen

Movie Gen: A Cast of Media Foundation Models

October 17, 2024

Autoren: Adam Polyak, Amit Zohar, Andrew Brown, Andros Tjandra, Animesh Sinha, Ann Lee, Apoorv Vyas, Bowen Shi, Chih-Yao Ma, Ching-Yao Chuang, David Yan, Dhruv Choudhary, Dingkang Wang, Geet Sethi, Guan Pang, Haoyu Ma, Ishan Misra, Ji Hou, Jialiang Wang, Kiran Jagadeesh, Kunpeng Li, Luxin Zhang, Mannat Singh, Mary Williamson, Matt Le, Matthew Yu, Mitesh Kumar Singh, Peizhao Zhang, Peter Vajda, Quentin Duval, Rohit Girdhar, Roshan Sumbaly, Sai Saketh Rambhatla, Sam Tsai, Samaneh Azadi, Samyak Datta, Sanyuan Chen, Sean Bell, Sharadh Ramaswamy, Shelly Sheynin, Siddharth Bhattacharya, Simran Motwani, Tao Xu, Tianhe Li, Tingbo Hou, Wei-Ning Hsu, Xi Yin, Xiaoliang Dai, Yaniv Taigman, Yaqiao Luo, Yen-Cheng Liu, Yi-Chiao Wu, Yue Zhao, Yuval Kirstain, Zecheng He, Zijian He, Albert Pumarola, Ali Thabet, Artsiom Sanakoyeu, Arun Mallya, Baishan Guo, Boris Araya, Breena Kerr, Carleigh Wood, Ce Liu, Cen Peng, Dimitry Vengertsev, Edgar Schonfeld, Elliot Blanchard, Felix Juefei-Xu, Fraylie Nord, Jeff Liang, John Hoffman, Jonas Kohler, Kaolin Fire, Karthik Sivakumar, Lawrence Chen, Licheng Yu, Luya Gao, Markos Georgopoulos, Rashel Moritz, Sara K. Sampson, Shikai Li, Simone Parmeggiani, Steve Fine, Tara Fowler, Vladan Petrovic, Yuming Du

cs.AI

Zusammenfassung

Wir präsentieren Movie Gen, eine Gruppe von Grundlagenmodellen, die hochwertige, 1080p HD-Videos mit verschiedenen Seitenverhältnissen und synchronisiertem Audio generiert. Wir zeigen auch zusätzliche Fähigkeiten wie präzise instruktionsbasierte Videobearbeitung und die Generierung personalisierter Videos basierend auf einem Benutzerbild. Unsere Modelle setzen einen neuen State-of-the-Art in mehreren Aufgaben: Text-zu-Video-Synthese, Video-Personalisierung, Videobearbeitung, Video-zu-Audio-Generierung und Text-zu-Audio-Generierung. Unser größtes Video-Generierungsmodell ist ein 30B-Parameter-Transformer, der mit einer maximalen Kontextlänge von 73K Video-Token trainiert wurde, was einem generierten Video von 16 Sekunden bei 16 Bildern pro Sekunde entspricht. Wir zeigen mehrere technische Innovationen und Vereinfachungen in der Architektur, den latenten Räumen, den Trainingszielen und Rezepten, der Datenaufbereitung, den Evaluierungsprotokollen, den Parallelisierungstechniken und den Inferenzoptimierungen, die es uns ermöglichen, die Vorteile der Skalierung von Vortrainingsdaten, Modellgröße und Trainingsrechenleistung für das Training von groß angelegten Medien-Generierungsmodellen zu nutzen. Wir hoffen, dass dieser Artikel der Forschungsgemeinschaft hilft, Fortschritte und Innovationen in Medien-Generierungsmodellen zu beschleunigen. Alle Videos aus diesem Artikel sind unter https://go.fb.me/MovieGenResearchVideos verfügbar.

English

We present Movie Gen, a cast of foundation models that generates high-quality, 1080p HD videos with different aspect ratios and synchronized audio. We also show additional capabilities such as precise instruction-based video editing and generation of personalized videos based on a user's image. Our models set a new state-of-the-art on multiple tasks: text-to-video synthesis, video personalization, video editing, video-to-audio generation, and text-to-audio generation. Our largest video generation model is a 30B parameter transformer trained with a maximum context length of 73K video tokens, corresponding to a generated video of 16 seconds at 16 frames-per-second. We show multiple technical innovations and simplifications on the architecture, latent spaces, training objectives and recipes, data curation, evaluation protocols, parallelization techniques, and inference optimizations that allow us to reap the benefits of scaling pre-training data, model size, and training compute for training large scale media generation models. We hope this paper helps the research community to accelerate progress and innovation in media generation models. All videos from this paper are available at https://go.fb.me/MovieGenResearchVideos.