Snap Video: Масштабируемые пространственно-временные трансформеры для синтеза видео из текста

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

February 22, 2024

Авторы: 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

Аннотация

Современные модели для генерации изображений демонстрируют впечатляющее качество и универсальность. Вдохновлённые этими преимуществами, исследовательское сообщество адаптирует их для создания видео. Поскольку видеоконтент обладает высокой избыточностью, мы утверждаем, что простое перенесение достижений моделей для изображений в область генерации видео снижает точность передачи движения, ухудшает визуальное качество и ограничивает масштабируемость. В данной работе мы создаём Snap Video — модель, изначально ориентированную на видео, которая системно решает эти проблемы. Для этого мы сначала расширяем фреймворк EDM, чтобы учитывать пространственно и временно избыточные пиксели и естественным образом поддерживать генерацию видео. Во-вторых, мы показываем, что U-Net — ключевой инструмент в генерации изображений — плохо масштабируется при создании видео, требуя значительных вычислительных ресурсов. Поэтому мы предлагаем новую архитектуру на основе трансформеров, которая обучается в 3,31 раза быстрее, чем U-Net (и примерно в 4,5 раза быстрее на этапе вывода). Это позволяет нам впервые эффективно обучить текстово-видео модель с миллиардами параметров, достичь передовых результатов на ряде бенчмарков и генерировать видео с существенно более высоким качеством, временной согласованностью и сложностью движения. Пользовательские исследования показали, что наша модель значительно превосходит самые современные методы. Подробнее на нашем сайте: 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/.