Snap Video: Transformadores Espaciotemporales Escalados para la Síntesis de Texto a Video

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

February 22, 2024

Autores: 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

Resumen

Los modelos contemporáneos para generar imágenes muestran una calidad y versatilidad notables. Impulsados por estas ventajas, la comunidad de investigación los adapta para generar videos. Dado que el contenido de video es altamente redundante, argumentamos que trasladar de manera ingenua los avances de los modelos de imágenes al dominio de la generación de videos reduce la fidelidad del movimiento, la calidad visual y perjudica la escalabilidad. En este trabajo, construimos Snap Video, un modelo centrado en video que aborda sistemáticamente estos desafíos. Para lograrlo, primero extendemos el marco EDM para tener en cuenta los píxeles redundantes espacial y temporalmente y apoyar naturalmente la generación de videos. En segundo lugar, demostramos que una U-Net —un componente clave detrás de la generación de imágenes— escala de manera deficiente al generar videos, requiriendo un sobrecosto computacional significativo. Por ello, proponemos una nueva arquitectura basada en transformadores que entrena 3.31 veces más rápido que las U-Nets (y es ~4.5 veces más rápida en la inferencia). Esto nos permite entrenar de manera eficiente un modelo de texto a video con miles de millones de parámetros por primera vez, alcanzar resultados de vanguardia en varios benchmarks y generar videos con una calidad, consistencia temporal y complejidad de movimiento sustancialmente superiores. Los estudios de usuarios mostraron que nuestro modelo fue favorecido por un amplio margen sobre los métodos más recientes. Visite nuestro sitio web en 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/.