PANDUAN AI Visual

Difusi Video Stabil

Stable Video Diffusion (SVD) adalah model difusi video laten berbobot terbuka dari Stability AI, yang dirilis pada November 2023, yang mengubah satu gambar diam menjadi klip pendek berisi 14 atau 25 bingkai pada resolusi 576x1024.

Dengarkan panduan iniDiceritakan oleh AI · ~8 min

Di halaman ini9 menit baca
  1. Ikhtisar
  2. Poin-poin utama
  3. Menyelam Lebih Dalam
  4. Menghasilkan klip pendek dari satu gambar dengan SVD-XT
  5. Implementasi Dunia Nyata
  6. Masa Depan Difusi Video yang Stabil
  7. Mempraktikkannya
  8. Sumber dan bacaan lebih lanjut
  9. Terus Menjelajah
  10. Pertanyaan yang sering diajukan

Ikhtisar

Hal ini penting karena makalah dan bobot publiknya menunjukkan, secara rinci, bagaimana kurasi data dan pelatihan bertahap mengubah generator gambar menjadi generator video, dan model ini menjadi dasar bagi penelitian kontrol kamera dan 3D.

Poin-poin utama

  1. Stable Video Diffusion adalah model gambar-ke-video berbobot terbuka dari Stability AI, yang dirilis pada 21 November 2023 dalam versi 14-bingkai dan 25-bingkai pada resolusi 576x1024.
  2. Model ini menambahkan lapisan konvolusi temporal dan atensi ke model gambar Stable Diffusion 2.1 dan menyempurnakan seluruh jaringan pada video.
  3. Makalahnya dilatih pada kumpulan 152 juta klip yang dikurasi dan disaring dari sekitar 580 juta klip, menggunakan deteksi potongan, aliran optik, OCR, dan skor CLIP.
  4. Kartu model mencantumkan klip hingga sekitar empat detik, tanpa kontrol teks, serta kelemahan pada wajah, orang, dan teks yang dapat dibaca.
  5. Lisensi Komunitas Stability AI saat ini mengizinkan penggunaan komersial hanya bagi organisasi dengan pendapatan tahunan di bawah US$1 juta.

Menyelam Lebih Dalam

Stable Video Diffusion is a family of video generation models from Stability AI, the company behind Stable Diffusion. The publicly released checkpoints are image-to-video models: given one still picture, they generate a short video that starts from that picture and adds motion. The original SVD checkpoint produces 14 frames, and SVD-XT, finetuned from it, produces 25 frames at 576x1024 pixels. Stability AI announced the models on November 21, 2023 as a research preview, saying they were not yet intended for real-world or commercial applications, and published code on GitHub, weights on Hugging Face, and a paper on arXiv.

To understand how it works, start with diffusion. A diffusion model is trained by taking real data, adding random noise in many small steps, and teaching a neural network to predict and remove that noise. To generate something new, the model starts from pure noise and removes it step by step until a clean sample remains. A latent diffusion model does this not on raw pixels but in a compressed space produced by an autoencoder, a network that squeezes an image into a smaller grid of numbers, called latents, and can expand it back. Working in this smaller space is what made Stable Diffusion practical on ordinary GPUs.

SVD extends that idea from images to video. The paper, by Andreas Blattmann and colleagues, starts from the Stable Diffusion 2.1 image model and inserts temporal layers, a temporal convolution and a temporal attention layer after every spatial layer, so the network can relate each frame to the others. The whole network is then trained on video. In the image-to-video version, the input picture is used as conditioning: it guides every denoising step so the clip stays consistent with it. Extra inputs, which the paper calls micro-conditioning, tell the model the target frame rate and, in the released pipeline, how much motion to produce. A decoder finetuned for temporal consistency turns the final latents back into frames.

The paper's main contribution is a recipe in three stages. Stage one is ordinary text-to-image pretraining, inherited from Stable Diffusion. Stage two is video pretraining on a large, filtered dataset at low resolution: 14 frames at 256x384 for 150,000 iterations. Stage three is finetuning on a smaller, high-quality video set at higher resolution. The authors built a Large Video Dataset of about 580 million annotated clips, roughly 212 years of footage, then filtered it to 152 million clips. Filtering removed scene cuts with a cut detector, nearly static clips using optical flow, clips heavy with on-screen text using optical character recognition, and low-quality clips using CLIP-based aesthetic and text-image similarity scores. Captions came from an image captioner, a video captioner and a language model that merged the two. The authors chose the filtering thresholds using human preference ratings and argue that a well-curated pretraining set is essential for high-quality video.

On results, the paper reports a zero-shot Fréchet Video Distance of 242.02 on the UCF-101 benchmark, lower and therefore better than 355.20 for PYOCO and 367.23 for Make-A-Video. The Hugging Face model card states that human voters preferred SVD image-to-video over the commercial tools Runway GEN-2 and PikaLabs for video quality at the time. The paper also showed SVD as a general motion prior: it could be adapted with camera-motion LoRA modules, small add-on weight updates that steer motion, and finetuned into a multi-view model that generates several views of an object at once. Stability AI later built SV3D, published in March 2024, on the same idea, generating orbital videos around an object from a single image for 3D reconstruction.

Compared with alternatives, SVD sits between closed commercial video generators and later open models. Closed services such as Runway's GEN-2 offered text prompts and web interfaces, while SVD offered downloadable weights that researchers could inspect, finetune and run locally. Its main limits relative to newer systems are length and control. The model card lists clips of up to about four seconds, outputs that may show little motion or only slow camera pans, no control through text in the released image-to-video checkpoints, faces and people that may not render properly, and no legible text. The autoencoder is lossy, so fine detail can be lost.

Licensing needs attention. The SVD-XT repository now carries the Stability AI Community License, last updated July 5, 2024. It allows commercial use after registering with Stability AI, but the license terminates for organizations whose annual revenue exceeds US$1 million, which then need a separate license. It also requires a "Powered by Stability AI" notice and bars using the model or its outputs to build or improve other foundation generative models. The model card lists generating factual representations of real people or events as out of scope.

In practice, SVD runs in the diffusers library with a few lines of Python. The diffusers guide shows SVD-XT loaded in 16-bit precision and says that model offloading, feed-forward chunking and decoding one or two frames at a time can bring memory use below 8 GB of VRAM, at the cost of speed and possibly some flicker. Training is another matter: the model card reports about 200,000 A100 80 GB GPU-hours for SVD, roughly 64,000 kWh of energy and about 19,000 kg of CO2 equivalent.

04Contoh yang berhasil

Menghasilkan klip pendek dari satu gambar dengan SVD-XT

  1. Instal paket diffusers, transformers, dan accelerate Python pada mesin dengan GPU NVIDIA.

  2. Muat StableVideoDiffusionPipeline dari stabilityai/stable-video-diffusion-img2vid-xt dalam float16 dan panggil enable_model_cpu_offload().

  3. Muat foto lanskap dan ubah ukurannya persis menjadi 1024x576 piksel agar sesuai dengan resolusi pelatihan model.

  4. Tetapkan seed acak, lalu hasilkan bingkai dengan decode_chunk_size=8 dan ekspor ke format MP4 pada 7 bingkai per detik.

  5. Hasilkan kembali dengan seed yang sama tetapi dengan motion_bucket_id=180 dan noise_aug_strength=0.1, seperti dalam panduan diffusers.

  6. Jika memori habis, aktifkan feed-forward chunking dan turunkan decode_chunk_size ke 2.

Apa yang ditunjukkannya

Dua klip masing-masing 25 frame, sekitar 3,6 detik pada 7 fps, dimulai dari gambar yang sama. Periksa apakah frame pertama sangat mirip dengan input, dan bandingkan kedua klip tersebut: klip kedua seharusnya menunjukkan lebih banyak gerakan dan lebih jauh menyimpang dari gambar asli.

Implementasi Dunia Nyata

Seorang desainer memasukkan foto produk berukuran 1024x576 ke checkpoint SVD-XT melalui pustaka diffusers Hugging Face dan mendapatkan klip 25 frame berdurasi hingga sekitar empat detik yang menampilkan gerakan lembut atau pergerakan kamera yang lambat.

SV3D dari Stability AI, yang dijelaskan dalam makalah arXiv bulan Maret 2024, mengadaptasi model image-to-video SVD untuk menghasilkan video orbital di sekitar objek dari satu foto, kemudian menggunakan tampilan tersebut untuk membangun model 3D.

Penulis makalah SVD melakukan fine-tuning pada model dasar menjadi SVD-MV, sebuah generator multi-view yang mencetak skor 0,14 LPIPS pada 50 objek dari set Scanned Objects Google, mengungguli SyncDreamer dan Zero123XL.

Para peneliti melampirkan modul LoRA gerakan kamera kecil ke model dasar SVD untuk mengarahkan gerakan seperti panning atau zooming, sebuah adaptasi yang didemonstrasikan dalam makalah bulan November 2023.

Seorang hobiis dengan GPU konsumen menjalankan SVD-XT dengan model CPU offload, feed-forward chunking, dan ukuran decode chunk yang kecil, yang menurut panduan diffusers dapat menurunkan kebutuhan memori hingga di bawah 8 GB VRAM.

Masa Depan Difusi Video yang Stabil

SVD's influence now lies mostly in its recipe and its role as a base model rather than in its raw output quality. The November 2023 paper argued that careful data curation and a staged training schedule matter as much as architecture, and that a video model learns a general sense of motion and 3D structure that other tasks can reuse. Stability AI's own March 2024 SV3D paper followed that path, using the image-to-video model with explicit camera control to generate consistent orbital views for 3D reconstruction. Open problems visible in the model card remain active research areas across video generation: longer clips beyond a few seconds, reliable motion when the scene should move, text control in image-to-video models, correct rendering of people and faces, and legible text in frames. Evaluation is also unsettled. Metrics such as Fréchet Video Distance on UCF-101, used in the SVD paper, capture only part of what viewers care about, so human preference studies remain common. Licensing and provenance shape adoption. The Stability AI Community License, updated in July 2024, permits commercial use only below a US$1 million annual revenue threshold, and its acceptable use policy excludes some applications. Teams considering SVD should check the current license file and model card before building on it, since terms can change.

Mempraktikkannya

Mengapa itu penting

  • Kecepatan dan skala. Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
  • Pilihan Build. Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
  • Tim dan alur kerja. Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.

Hati-hati

  • Hak citra dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas.
  • Performa model dapat bervariasi berdasarkan pencahayaan, demografi, dan lingkungan.
  • Positif palsu mungkin tidak diketahui kecuali ambang batas keyakinan dipantau.

Langkah selanjutnya

  1. Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan.
  2. Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
  3. Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
  4. Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.

Sumber dan bacaan lebih lanjut

  1. arXiv (Blattmann et al., 2023)Stable Video Diffusion: Menskalakan Model Difusi Video Laten ke Dataset Besar
  2. Stability AIMemperkenalkan Stable Video Diffusion
  3. Hugging Face (Stability AI)stabilityai/stable-video-diffusion-img2vid-xt model card
  4. Hugging Face (Stability AI)Perjanjian Lisensi Komunitas Stability AI (repositori SVD-XT)
  5. Hugging Face diffusers documentationPanduan Stable Video Diffusion
  6. arXiv (Voleti et al., 2024)SV3D: Sintesis Multi-view Baru dan Generasi 3D dari Gambar Tunggal menggunakan Difusi Video Laten

Terus Menjelajah

Buletin gratis

Dapatkan pengarahan AI harian

Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.

Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.

Uji diri Anda sendiri

Ikuti kuis Stable Video Diffusion

Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.

Mulai kuis

Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan

Pertanyaan yang sering diajukan

Apa itu Difusi Video Stabil?

Stable Video Diffusion (SVD) adalah model difusi video laten dengan bobot terbuka dari Stability AI, yang dirilis pada November 2023, yang mengubah satu gambar diam menjadi klip pendek berisi 14 atau 25 frame pada resolusi 576x1024. Model ini penting karena makalah dan bobot publiknya menunjukkan secara rinci bagaimana kurasi data dan pelatihan bertahap mengubah generator gambar menjadi generator video, dan model ini menjadi dasar bagi penelitian kontrol kamera dan 3D.

Input apa yang digunakan oleh checkpoint image-to-video Stable Video Diffusion publik?

Checkpoint image-to-video publik mengondisikan pembuatan klip pada gambar diam; makalah tersebut juga mempelajari model dasar text-to-video.

Apa yang ditambahkan SVD ke arsitektur Difusi Stabil gambar diam untuk menangani gerakan?

SVD menyisipkan perhatian temporal dan lapisan konvolusi 3D sehingga frame tetap konsisten sepanjang waktu.

Difusi Video Stabil melakukan denoising dalam jenis ruang apa untuk menghemat komputasi?

Seperti Difusi Stabil, SVD adalah model difusi laten yang bekerja dalam representasi laten terkompresi, sehingga mengurangi komputasi secara drastis.

Apa yang signifikan dari rilis penelitian SVD?

Makalah tersebut melaporkan perilisan kode dan bobot, sementara lisensi checkpoint menetapkan ketentuan penggunaan; ketersediaan publik tidak berarti hak komersial tanpa batasan.

Kira-kira berapa banyak frame yang biasanya dihasilkan oleh pos pemeriksaan publik SVD?

Pos pemeriksaan SVD yang dirilis menghasilkan klip pendek sekitar 14 hingga 25 frame.