Chuyển văn bản thành video thành video
Make-A-Video là hệ thống năm 2022 của Meta biến lời nhắc văn bản thành một đoạn video ngắn mà không cần đào tạo về các cặp văn bản-video được gắn nhãn.
Tổng quan
It matters because it showed that the visual knowledge inside text-to-image models could be 'taught' to move using only unlabeled video.
Lặn sâu
Make-A-Video do Meta AI công bố vào tháng 9 năm 2022, tạo ra một vài giây video từ một câu như 'một con chó mặc áo choàng siêu anh hùng bay qua bầu trời'. Bí quyết chính của nó là tách hình thức ra khỏi chuyển động: một mô hình chuyển văn bản thành hình ảnh (được xây dựng trên không gian văn bản-hình ảnh chung kiểu CLIP) tìm hiểu mọi thứ trông như thế nào từ hàng tỷ hình ảnh có chú thích, trong khi các lớp không gian thời gian riêng biệt tìm hiểu cách mọi thứ di chuyển chỉ từ video không được gắn nhãn. Điều này giúp tránh tình trạng khan hiếm các cặp văn bản-video chất lượng cao. Mô hình cơ sở tạo ra các clip có độ phân giải thấp, tốc độ khung hình thấp, sau đó các mạng chuyên dụng sẽ nội suy các khung hình bổ sung và nâng cao độ phân giải không gian. Kết quả rất mạch lạc so với thời đại của nó, mặc dù các clip ngắn, mờ và dễ bị nhấp nháy và cong vênh.
Hiểu biết kỹ thuật
Make-A-Video mở rộng các cấu trúc tạo hình ảnh 2D và sự chú ý sang 3D bằng cách thêm các lớp giả thời gian. Các trọng số không gian được huấn luyện trước sẽ được cố định hoặc tinh chỉnh trong khi các lớp thời gian mới học chuyển động từ video thô, do đó không cần nhãn văn bản-video. Sau đó, mạng nội suy khung sẽ tăng mật độ dòng thời gian và các mô-đun khuếch tán siêu phân giải nâng cao chi tiết không gian, biến bản nháp thô 16 khung hình, độ phân giải thấp thành một clip mượt mà hơn, sắc nét hơn trong một đường ống xếp tầng.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của việc chuyển văn bản thành video tạo video
Công thức chuyển động hình ảnh trước cộng với không gắn nhãn của Make-A-Video đã gieo mầm cho toàn bộ làn sóng chuyển văn bản thành video. Hậu duệ của nó nhấn mạnh các clip dài hơn, độ phân giải cao hơn, ổn định về mặt thời gian với chuyển động và âm thanh của camera có thể điều khiển được. Mong đợi ý tưởng cốt lõi, tái sử dụng kiến thức hình ảnh khổng lồ và học chuyển động với chi phí thấp, sẽ tồn tại ngay cả khi các kiến trúc chuyển sang mô hình thống nhất và khuếch tán tiềm ẩn dựa trên máy biến áp cũng chấp nhận điều chỉnh hình ảnh hoặc video để chỉnh sửa và tiếp tục.
Triển khai trong thế giới thực
Hoạt hình một câu mô tả duy nhất thành một clip lặp lại ngắn cho bài đăng trên mạng xã hội
Đưa khái niệm tĩnh như 'một chú gấu bông vẽ một bức chân dung' vào cuộc sống như một minh họa chuyển động
Nội suy giữa hai ảnh tĩnh do người dùng cung cấp để tạo video chuyển tiếp mượt mà
Tạo bản nháp chuyển động nhanh của các cảnh tưởng tượng để viết kịch bản phân cảnh trước khi quay phim
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Sora và chuyển văn bản thành video
Câu hỏi thường gặp
What is Make-A-Video Text-to-Video?
Make-A-Video là hệ thống năm 2022 của Meta biến lời nhắc văn bản thành một đoạn video ngắn mà không cần đào tạo về các cặp văn bản-video được gắn nhãn. Nó quan trọng vì nó cho thấy rằng kiến thức trực quan bên trong các mô hình chuyển văn bản thành hình ảnh có thể được 'dạy' cách di chuyển chỉ bằng cách sử dụng video không được gắn nhãn.
Đổi mới trọng tâm giúp Make-A-Video tránh cần phải gắn nhãn các cặp văn bản-video là gì?
Make-A-Video giải quyết vấn đề: mô hình chuyển văn bản thành hình ảnh tìm hiểu mọi thứ trông như thế nào từ các hình ảnh có chú thích, trong khi các lớp thời gian riêng biệt học chuyển động từ video thô, không gắn nhãn.
Make-A-Video bổ sung khả năng chuyển động cho mô hình hình ảnh như thế nào?
Nó mở rộng các cấu trúc không gian 2D và sự chú ý với các lớp thời gian mới tìm hiểu cách nội dung thay đổi theo thời gian.
Giai đoạn nội suy khung và siêu phân giải làm gì?
Sau bản nháp thô có độ phân giải thấp, tốc độ khung hình thấp, phép nội suy sẽ thêm khung và mô-đun siêu phân giải sẽ tăng độ phân giải.
Hạn chế điển hình của đầu ra của Make-A-Video là gì?
Các clip chỉ dài vài giây, độ phân giải tương đối thấp và dễ bị nhấp nháy và biến dạng theo thời gian.