Make-A-Video Text-to-Video
Make-A-Video je systém Meta pro rok 2022, který přemění textovou výzvu na krátký videoklip, aniž byste museli trénovat na párech text-video.
Přehled
It matters because it showed that the visual knowledge inside text-to-image models could be 'taught' to move using only unlabeled video.
Hluboký ponor
Make-A-Video, ohlášené Meta AI v září 2022, generuje několik sekund videa z věty jako „pes v plášti superhrdiny letící oblohou“. Jeho klíčovým trikem je oddělení vzhledu od pohybu: model text-to-image (vybudovaný na společném prostoru textu a obrázku ve stylu CLIP a difúzi) se učí, jak věci vypadají z miliard obrázků s titulky, zatímco samostatné časoprostorové vrstvy se učí, jak se věci pohybují pouze z neoznačeného videa. Tím se vyhýbá nedostatku vysoce kvalitních párů text-video. Základní model vytváří klipy s nízkým rozlišením a nízkou snímkovou frekvencí, poté specializované sítě interpolují další snímky a zvyšují prostorové rozlišení. Výsledek byl na svou dobu překvapivě soudržný, ačkoli klipy byly krátké, rozmazané a náchylné k blikání a deformaci.
Technický přehled
Make-A-Video rozšiřuje konvoluce generování 2D obrazu a pozornost do 3D přidáním pseudočasových vrstev. Předtrénované prostorové váhy jsou zmrazeny nebo jemně doladěny, zatímco nové časové vrstvy se učí pohyb z nezpracovaného videa, takže nejsou potřeba žádné popisky text-video. Síť interpolace snímků pak zhušťuje časovou osu a moduly pro difúzi s vysokým rozlišením zvyšují prostorové detaily a mění hrubý 16snímkový návrh s nízkým rozlišením na hladší a ostřejší klip v kaskádovém potrubí.
Strategický dopad
Rychlost a měřítko
Vizuální AI může automatizovat úkoly inspekce, detekce a označování ve velkém měřítku.
Volby sestavy
Kreativní týmy mohou prototypovat koncepty rychleji s menším počtem ručních revizí.
Tým a pracovní postup
Operace mohou využívat obrazové a video signály, které bylo dříve obtížné zpracovat.
Budoucnost Make-A-Video Text-to-Video
Receptura Make-A-Video image-prior-plus-unlabeled-motion zasévala celou vlnu text-to-video. Jeho potomci kladou důraz na delší, časově stabilní klipy s vyšším rozlišením a ovladatelným pohybem kamery a zvukem. Očekávejte, že základní myšlenka, opětovné použití masivních obrazových znalostí a levné učení pohybu, přetrvá, i když se architektury posouvají směrem k latentní difúzi založené na transformátorech a sjednoceným modelům, které také akceptují úpravu obrazu nebo videa pro úpravy a pokračování.
Real-World Implementace
Animace jedné popisné věty do krátkého smyčkového klipu pro příspěvek na sociálních sítích
Oživení statického konceptu, jako je „medvídek malující portrét“ jako pohyblivá ilustrace
Interpolace mezi dvěma fotografiemi dodanými uživatelem pro vytvoření plynulého přechodového videa
Generování rychlých návrhů vymyšlených scén pro storyboarding před jakýmkoli natáčením
Rizika a zábradlí
Obrazová práva a souhlas se mohou stát právním rizikem, pokud je původ nejasný.
Výkon modelu se může lišit podle osvětlení, demografických údajů a prostředí.
Falešně pozitivní mohou zůstat bez povšimnutí, pokud nejsou monitorovány prahové hodnoty spolehlivosti.
Plán implementace
Definujte kritéria přijatelnosti pro přesnost, stažení a náklady na chyby.
Testujte s daty, která odpovídají reálným výrobním podmínkám.
Přidejte lidskou kontrolu pro předpovědi s nízkou spolehlivostí nebo velkým dopadem.
Sledujte posun modelu a znovu ověřte po změnách kamery nebo datové sady.
Pokračujte v objevování
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Make-A-Video Text-to-Video quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Další průvodce
Sora a převod textu na video
Často kladené otázky
What is Make-A-Video Text-to-Video?
Make-A-Video je systém Meta pro rok 2022, který přemění textovou výzvu na krátký videoklip, aniž byste museli trénovat na párech text-video. Záleží na tom, protože se ukázalo, že vizuální znalosti uvnitř modelů text-to-image lze „naučit“ pohybovat se pouze pomocí neoznačeného videa.
Jaká byla hlavní inovace, která umožnila Make-A-Video vyhnout se tomu, aby potřebovala označené dvojice text-video?
Make-A-Video tento problém odděluje: model text-to-image se učí, jak věci vypadají z obrázků s titulky, zatímco samostatné časové vrstvy se učí pohyb ze surového, neoznačeného videa.
Jak Make-A-Video přidává do obrazového modelu schopnost pohybu?
Rozšiřuje 2D prostorové konvoluce a pozornost o nové časové vrstvy, které se učí, jak se obsah v průběhu času mění.
Co dělají fáze interpolace snímků a superrozlišení?
Po hrubém návrhu s nízkým rozlišením a nízkou snímkovou frekvencí přidá interpolace snímky a moduly s vysokým rozlišením zvýší rozlišení.
Jaké bylo typické omezení výstupu Make-A-Video?
Klipy byly jen pár sekund, relativně nízké rozlišení a náchylné k dočasnému blikání a zkreslení.