Snap Video: Geschaalde Spatiotemporele Transformers voor Tekst-naar-Video Synthese

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

February 22, 2024

Auteurs: 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

Samenvatting

Moderne modellen voor het genereren van afbeeldingen tonen opmerkelijke kwaliteit en veelzijdigheid. Onder de indruk van deze voordelen, heroriënteert de onderzoeksgemeenschap deze modellen om video's te genereren. Omdat videocontent sterk redundant is, stellen wij dat het naïef overnemen van de vooruitgang van afbeeldingsmodellen naar het domein van videogeneratie de bewegingsnauwkeurigheid en visuele kwaliteit vermindert en de schaalbaarheid belemmert. In dit werk ontwikkelen wij Snap Video, een video-eerst model dat deze uitdagingen systematisch aanpakt. Hiervoor breiden we eerst het EDM-framework uit om rekening te houden met ruimtelijk en temporeel redundante pixels en ondersteunen we op natuurlijke wijze videogeneratie. Ten tweede tonen we aan dat een U-Net – een werkpaard achter afbeeldingsgeneratie – slecht schaalt bij het genereren van video's, wat aanzienlijke rekenkracht vereist. Daarom stellen we een nieuwe transformer-gebaseerde architectuur voor die 3,31 keer sneller traint dan U-Nets (en ~4,5 keer sneller is bij inferentie). Dit stelt ons in staat om voor het eerst efficiënt een tekst-naar-video model met miljarden parameters te trainen, state-of-the-art resultaten te behalen op een aantal benchmarks, en video's te genereren met aanzienlijk hogere kwaliteit, temporele consistentie en bewegingscomplexiteit. Gebruikersstudies toonden aan dat ons model met een grote marge werd verkozen boven de meest recente methoden. Bezoek onze website op 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/.