بصری AI گائیڈ
میک-اے-ویڈیو ٹیکسٹ ٹو ویڈیو
میک-اے-ویڈیو Meta کا 2022 کا سسٹم ہے جو ٹیکسٹ پرامپٹ کو ایک مختصر ویڈیو کلپ میں بدل دیتا ہے بغیر لیبل والے ٹیکسٹ-ویڈیو جوڑوں کی تربیت کے۔
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
جائزہ
It matters because it showed that the visual knowledge inside text-to-image models could be 'taught' to move using only unlabeled video.
گہرا غوطہ
Make-A-Video, announced by Meta AI in September 2022, generates brief video clips from text prompts. Its key trick is decoupling appearance from motion: a text-to-image model learns what things look like from paired text-image data, while separate spatiotemporal layers learn how they move from video footage with no associated text. Meta said this reduced the need for paired text-video examples and that the research used publicly available datasets. Meta also described making videos from images and creating new videos similar to existing videos. The base model produces low-resolution, low-frame-rate clips, then dedicated networks interpolate extra frames and upscale spatial resolution. The result was strikingly coherent for its era, though clips were short, blurry, and prone to flicker and warping.
حقیقی دنیا کا نفاذ
کسی ایک وضاحتی جملے کو سوشل میڈیا پوسٹ کے لیے ایک مختصر لوپنگ کلپ میں متحرک کرنا
ایک متحرک مثال کے طور پر 'ایک ٹیڈی بیئر پینٹنگ ایک پورٹریٹ' جیسے جامد تصور کو زندہ کرنا
ایک ہموار منتقلی ویڈیو بنانے کے لیے دو صارف کی طرف سے فراہم کردہ اسٹیل امیجز کے درمیان انٹرپولٹنگ
کسی بھی فلم بندی سے پہلے اسٹوری بورڈنگ کے لیے تصوراتی مناظر کے فوری موشن ڈرافٹ تیار کرنا
میک-اے-ویڈیو ٹیکسٹ ٹو ویڈیو کا مستقبل
میک-اے-ویڈیو کی تصویر-پہلے-پلس-غیر لیبل-موشن ترکیب نے پورے متن سے ویڈیو لہر کو سیڈ کیا۔ اس کی اولادیں لمبے، اعلیٰ ریزولوشن، عارضی طور پر مستحکم کلپس پر زور دیتے ہیں جن میں قابل کنٹرول کیمرہ موشن اور آڈیو ہے۔ بنیادی خیال کی توقع کریں، بڑے پیمانے پر امیج کے علم اور سیکھنے کی حرکت کو سستے طریقے سے دوبارہ استعمال کرتے ہوئے، اس وقت بھی برقرار رہے گا جب فن تعمیرات ٹرانسفارمر پر مبنی لیٹنٹ ڈفیوژن اور متحد ماڈلز کی طرف منتقل ہوتے ہیں جو ترمیم اور تسلسل کے لیے تصویر یا ویڈیو کنڈیشنگ کو بھی قبول کرتے ہیں۔
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- رفتار اور پیمانہ. بصری AI پیمانے پر معائنہ، پتہ لگانے، اور ٹیگنگ کے کاموں کو خودکار کر سکتا ہے۔
- بلڈ کے انتخاب. تخلیقی ٹیمیں کم دستی ترمیم کے ساتھ تصورات کو تیزی سے پروٹو ٹائپ کر سکتی ہیں۔
- ٹیم اور ورک فلو. آپریشنز امیج اور ویڈیو سگنلز کا استعمال کر سکتے ہیں جن پر کارروائی کرنا پہلے مشکل تھا۔
پر نگاہ رکھیں
- تصویر کے حقوق اور رضامندی قانونی خطرات بن سکتے ہیں اگر ثبوت واضح نہ ہو۔
- ماڈل کی کارکردگی روشنی، ڈیموگرافکس اور ماحول میں مختلف ہو سکتی ہے۔
- جب تک اعتماد کی حدوں کی نگرانی نہ کی جائے غلط مثبتات پر کسی کا دھیان نہیں جا سکتا۔
اگلے اقدامات
- درستگی، یاد کرنے، اور غلطی کے اخراجات کے لیے قبولیت کے معیار کی وضاحت کریں۔
- اعداد و شمار کے ساتھ ٹیسٹ کریں جو حقیقی پیداوار کے حالات سے میل کھاتا ہے۔
- کم اعتماد یا زیادہ اثر والی پیشین گوئیوں کے لیے انسانی جائزہ شامل کریں۔
- کیمرہ یا ڈیٹاسیٹ کی تبدیلیوں کے بعد ماڈل ڈرفٹ کو ٹریک کریں اور دوبارہ تصدیق کریں۔
دریافت کرتے رہیں
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Make-A-Video Text-to-Video quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
اکثر پوچھے گئے سوالات
What is Make-A-Video Text-to-Video?
میک-اے-ویڈیو Meta کا 2022 کا سسٹم ہے جو ٹیکسٹ پرامپٹ کو ایک مختصر ویڈیو کلپ میں بدل دیتا ہے بغیر لیبل والے ٹیکسٹ-ویڈیو جوڑوں کی تربیت کے۔ یہ اہمیت رکھتا ہے کیونکہ اس نے ظاہر کیا کہ ٹیکسٹ ٹو امیج ماڈلز کے اندر موجود بصری علم کو صرف بغیر لیبل والی ویڈیو کا استعمال کرتے ہوئے حرکت کرنا 'سکھایا' جا سکتا ہے۔
مرکزی اختراع کیا تھی جس نے میک-اے-ویڈیو کو لیبل والے ٹیکسٹ-ویڈیو جوڑوں کی ضرورت سے گریز کیا؟
میک-اے-ویڈیو مسئلہ کو دوگنا کرتا ہے: ایک ٹیکسٹ ٹو امیج ماڈل یہ سیکھتا ہے کہ کیپشن والی تصاویر سے چیزیں کیسی نظر آتی ہیں، جب کہ الگ الگ عارضی پرتیں خام، بغیر لیبل والی ویڈیو سے حرکت سیکھتی ہیں۔
میک-اے-ویڈیو تصویری ماڈل میں حرکت کی صلاحیت کیسے شامل کرتا ہے؟
یہ 2D مقامی تبدیلیوں اور توجہ کو نئی عارضی تہوں کے ساتھ بڑھاتا ہے جو یہ سیکھتے ہیں کہ وقت کے ساتھ مواد کیسے بدلتا ہے۔
فریم انٹرپولیشن اور سپر ریزولوشن کے مراحل کیا کرتے ہیں؟
موٹے کم ریزولوشن، کم فریم ریٹ ڈرافٹ کے بعد، انٹرپولیشن فریموں کو جوڑتا ہے اور سپر ریزولوشن ماڈیولز ریزولوشن کو بڑھاتے ہیں۔
میک-اے-ویڈیو کے آؤٹ پٹ کی ایک عام حد کیا تھی؟
کلپس صرف چند سیکنڈ کے تھے، نسبتاً کم ریزولیوشن، اور وقتی ٹمٹماہٹ اور تحریف کا شکار تھے۔
Besides text prompts, what visual input can Make-A-Video use to create a video?
Meta said Make-A-Video can create videos from images as well as text prompts.
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔