Snap Video: Skalierte spatiotemporale Transformer für Text-zu-Video-Synthese

Snap Video: Scaled Spatiotemporal Transformers for Text-to-Video Synthesis

February 22, 2024

Autoren: Willi Menapace, Aliaksandr Siarohin, Ivan Skorokhodov, Ekaterina Deyneka, Tsai-Shien Chen, Anil Kag, Yuwei Fang, Aleksei Stoliar, Elisa Ricci, Jian Ren, Sergey Tulyakov

cs.AI

Zusammenfassung

Zeitgenössische Modelle zur Bildgenerierung zeigen bemerkenswerte Qualität und Vielseitigkeit. Angesichts dieser Vorteile nutzt die Forschungsgemeinschaft sie um, um Videos zu erzeugen. Da Videoinhalte stark redundant sind, argumentieren wir, dass die naive Übertragung von Fortschritten aus Bildgenerierungsmodellen in den Bereich der Videogenerierung die Bewegungsgenauigkeit, die visuelle Qualität verringert und die Skalierbarkeit beeinträchtigt. In dieser Arbeit entwickeln wir Snap Video, ein videoorientiertes Modell, das diese Herausforderungen systematisch angeht. Dazu erweitern wir zunächst das EDM-Framework, um räumlich und zeitlich redundante Pixel zu berücksichtigen und die Videogenerierung natürlich zu unterstützen. Zweitens zeigen wir, dass ein U-Net – ein bewährtes Werkzeug in der Bildgenerierung – bei der Videogenerierung schlecht skaliert und erheblichen Rechenaufwand erfordert. Daher schlagen wir eine neue transformerbasierte Architektur vor, die 3,31-mal schneller trainiert als U-Nets (und bei der Inferenz etwa 4,5-mal schneller ist). Dies ermöglicht es uns, erstmals effizient ein Text-zu-Video-Modell mit Milliarden von Parametern zu trainieren, state-of-the-art Ergebnisse in einer Reihe von Benchmarks zu erreichen und Videos mit deutlich höherer Qualität, zeitlicher Konsistenz und Bewegungsvielfalt zu erzeugen. Benutzerstudien zeigten, dass unser Modell mit großem Abstand gegenüber den neuesten Methoden bevorzugt wurde. Weitere Informationen finden Sie auf unserer Website unter https://snap-research.github.io/snapvideo/.

English

Contemporary models for generating images show remarkable quality and versatility. Swayed by these advantages, the research community repurposes them to generate videos. Since video content is highly redundant, we argue that naively bringing advances of image models to the video generation domain reduces motion fidelity, visual quality and impairs scalability. In this work, we build Snap Video, a video-first model that systematically addresses these challenges. To do that, we first extend the EDM framework to take into account spatially and temporally redundant pixels and naturally support video generation. Second, we show that a U-Net - a workhorse behind image generation - scales poorly when generating videos, requiring significant computational overhead. Hence, we propose a new transformer-based architecture that trains 3.31 times faster than U-Nets (and is ~4.5 faster at inference). This allows us to efficiently train a text-to-video model with billions of parameters for the first time, reach state-of-the-art results on a number of benchmarks, and generate videos with substantially higher quality, temporal consistency, and motion complexity. The user studies showed that our model was favored by a large margin over the most recent methods. See our website at https://snap-research.github.io/snapvideo/.