AIGC视频生成模型慕尼黑大学NVIDIA等的Video-LDMs模型

2025-03-10 约 10891 字预计阅读 22 分钟

https://bing.ee123.net/img/rand?artid=146153125

AIGC视频生成模型：慕尼黑大学、NVIDIA等的Video LDMs模型

大家好，这里是好评笔记， 公主号：Goodnote ，专栏文章私信限时Free。本文详细介绍慕尼黑大学携手 NVIDIA 等共同推出视频生成模型 Video LDMs。NVIDIA 在 AI 领域的卓越成就家喻户晓，而慕尼黑大学同样不容小觑，他们深度参与了最初 SD 系列图像生成模型的研发，在扩散模型领域，展现出了强劲实力。

λ τ

log ⁡ ( α τ 2 / σ τ 2 ) \lambda_{\tau}=\log(\alpha_{\tau}^{2}/\sigma_{\tau}^{2})

lo g

(

) 单调递减。 2. 去噪器优化 ：去噪器模型

f θ f_{\theta}

以扩散后的

x τ x_{\tau}

为输入，通过最小化

E x ∼ p d a t a , τ ∼ p τ , ϵ ∼ N ( 0 , I ) [ ∥ y − f θ ( x τ ; c , τ ) ∥ 2 2 ] \mathbb{E}{x \sim p{data}, \tau \sim p_{\tau}, \epsilon \sim \mathcal{N}(0, I)}[\left| y - f_{\theta}(x_{\tau}; c, \tau) \right|_{2}^{2}]

∼

(

)

[

∥

−

(

;

)

∥

] 进行优化，其中

c c

c 是可选的条件信息，例如文本提示，目标向量

y y

y 要么是随机噪声

ϵ \epsilon

ϵ ，要么是

v

α τ ϵ − σ τ x v = \alpha_{\tau}\epsilon - \sigma_{\tau}x

−

x 。后一种目标（通常称为

v v

v 预测）是在渐进蒸馏的背景下引入的[73]，在经验上通常能使模型更快收敛（在此，我们同时使用这两种目标）。此外，

p τ p_{\tau}

是扩散时间

τ \tau

τ 上的均匀分布。

v

α τ ϵ − σ τ x v=\alpha_{\tau}\epsilon - \sigma_{\tau}x

−

x ，研究中同时使用这两种目标，

p τ p_{\tau}

是扩散时间

τ \tau

τ 上的均匀分布。

扩散模型的核心其实是前向扩散加入噪声以及反向扩散学习/预测前向扩散加入的噪声，并且去除噪声，进而生成的过程，扩散过程可以在 连续时间框架 中通过 随机微分方程来描述 【论文：Score-based generative modeling through stochastic differential equations】（也可参考图 2 和图 3 中的框架），但在实践中可以使用 固定的离散化方法 （DDPM）。

DDPM参考：
TODO：Score-based generative modeling through stochastic differential equations

最大扩散时间通常选择为使得输入数据完全被扰动为高斯随机噪声，并且可以从这种高斯噪声初始化一个迭代生成去噪过程，该过程使用学习到的去噪器

f θ f_{\theta}

来合成新的数据。在此，作者使用

p τ ∼ U { 0 , 1000 } p_{\tau} \sim U{0, 1000}

∼

{

1000

} ，并依赖于方差保持 噪声调度 ，对于该调度，

σ τ 2

1 − α τ 2 \sigma_{\tau}^{2}=1-\alpha_{\tau}^{2}

−

。

在本文的研究中，作者设定
p τ ∼ U { 0 , 1000 } p_{\tau} \sim U{0, 1000}
p
τ

∼
U
{
0
,
1000
} ，这意味着扩散时间
τ \tau
τ 是在0到1000这个区间内均匀分布的随机变量。这种均匀分布决定了在扩散过程中，不同扩散时间被选取的概率是相等的。
同时，作者采用了方差保持噪声调度策略。在这种策略下，有一个重要的公式
σ τ 2
1 − α τ 2 \sigma_{\tau}^{2}=1-\alpha_{\tau}^{2}
σ
τ
2

=
1
−
α
τ
2

。这个公式定义了噪声强度随时间的变化关系，
σ τ \sigma_{\tau}
σ
τ

代表在扩散时间为
τ \tau
τ 时添加的噪声标准差，它决定了噪声的强度，而
α τ \alpha_{\tau}
α
τ

则与扩散过程的其他特性相关。随着
τ \tau
τ 在0到1000之间取值变化，
α τ \alpha_{\tau}
α
τ

和
σ τ \sigma_{\tau}
σ
τ

也会相应改变，从而调整噪声强度。例如，在扩散初期，
τ \tau
τ 可能取较大值，
σ τ \sigma_{\tau}
σ
τ

较大，添加的噪声较多，数据被扰动得更剧烈；随着扩散进行，
τ \tau
τ 逐渐减小，
σ τ \sigma_{\tau}
σ
τ

变小，噪声强度降低，去噪器
f θ f_{\theta}
f
θ

逐步将数据恢复成有意义的内容（详细信息见附录F和H）。

潜在扩散模型（LDMs）

上节介绍的扩散模型实际上是在像素空间进行的。而潜在扩散模型（LDMs）在计算和内存效率上优于像素空间扩散模型（DMs），简要介绍如下：

提升效率的原理 ：先训练压缩模型，把 输入图像转换到复杂度较低的空间低维潜在空间 ，在此空间可高保真重建原始数据，以此提升计算和内存效率。
实现方式 ：实际通过 正则化自动编码器 （在传统自动编码器基础上引入正则化项，抑制模型过拟合，提升泛化能力）实现，该编码器包含 **编码器模块
ϵ \epsilon
ϵ** 和 **解码器
D D
D** ，通过
x ^
D ( ϵ ( x ) ) ≈ x \hat{x}=D(\epsilon(x)) \approx x
x
^
=
D
(
ϵ
(
x
))
≈
x 重建输入图像（见图3）。
确保重建质量的方法 ：在 自动编码器训练时添加对抗目标 ，利用基于补丁的判别器来确保逼真的重建效果。
潜在空间DM的优势 ：在压缩的潜在空间训练DM，公式（1）中的
x x
x 用潜在表示
z
ϵ ( x ) z = \epsilon(x)
z
=
ϵ
(
x
) 替代。相比于像素空间DMs，潜在空间DM的参数数量和内存消耗通常更少。

为了确保逼真的重建，可以在自动编码器训练中添加对抗目标[65]，这可以使用基于补丁的判别器来实现[35]。然后，可以在压缩的潜在空间中训练一个DM，并且公式（1）中的

x x

x 被其潜在表示

z

ϵ ( x ) z = \epsilon(x)

(

) 所取代。与具有相似性能的相应像素空间DMs相比，这种潜在空间DM在参数数量和内存消耗方面通常较小。

SD系列模型就是在潜在空间进行扩散的，详情可以参考历史文章：

3. 潜在视频扩散模型

本部分介绍 对预训练的图像LDMs（以及DM上采样器）进行视频微调 ，以实现高分辨率视频合成。

作者假设获取到一个视频数据集

p d a t a p_{data}

，使得

x ∈ R T × 3 × H ˉ × W ˉ x \in \mathbb{R}^{T×3×\bar{H}×\bar{W}}

∈

ˉ ，

x ∼ p d a t a x \sim p_{data}

∼

是一个 **包含

T T

T 个RGB帧的序列** ，帧的 **高度和宽度分别为

H ~ \tilde{H}

~ 和

W ˉ \bar{W}

ˉ** 。

3.1 将潜在图像转变为视频生成器

转变思路 如下：

高效训练思路 ：高效训练视频生成模型的关键在于 重用预训练且固定的图像生成模型 （由参数
θ \theta
θ 参数化的LDM）。
模型现有结构 ：构成图像LDM并处理像素维度输入的神经网络层为空间层
l θ i l_{\theta}^{i}
l
θ
i

（
i i
i 是层索引）。
现有模型局限 ：虽能高质量合成单帧，但直接用于渲染
T T
T 个连续帧视频会失败，原因是模型 无时间感知能力 。
改进措施 ：引入额外时间神经网络层
l ϕ i l_{\phi}^{i}
l
ϕ
i

，与空间层
l θ i l_{\theta}^{i}
l
θ
i

交错排列，学习以时间一致的方式对齐单个帧。
最终模型构成 ：额外时间层
{ l ϕ i } i
1 L {l_{\phi}^{i}}_{i = 1}^{L}
{
l
ϕ
i

}
i
=
1
L

定义了 视频感知时间骨干网络 ，完整模型
f θ , ϕ f_{\theta, \phi}
f
θ
,
ϕ

由空间层和时间层组合而成，如图4。

图4. 左：我们通过插入时间层，将预训练的潜在扩散模型（LDM）转变为视频生成器，这些时间层能够学习将帧对齐为在时间上连贯一致的序列。在优化过程中，图像骨干网络
θ \theta
θ 保持固定，仅训练时间层
l ϕ x l_{\phi}^{x}
l
ϕ
x

的参数
ϕ \phi
ϕ ，参见公式（2）。右：在训练期间，基础模型
θ \theta
θ 将长度为
T T
T 的输入序列解释为一批图像。对于时间层
l ϕ i l_{\phi}^{i}
l
ϕ
i

，这些批次的图像被重新整形为视频格式。它们的输出
z ′ z'
z
′ 会与空间层的输出
z z
z 相结合，结合时使用一个可学习的融合参数
α \alpha
α 。在推理过程中，跳过时间层（即
α ϕ i
1 \alpha_{\phi}^{i}=1
α
ϕ
i

=
1 ）可得到原始的图像模型。为便于说明，图中仅展示了一个U型网络模块。
B B
B 表示批量大小，
T T
T 表示序列长度，
c c
c 表示输入通道数，
H H
H 和
W W
W 表示输入的空间维度。当训练预测模型时（第3.2节），
c s cs
cs 是可选的上下文帧条件。

我们从按帧编码的输入视频

ϵ ( x )

z ∈ R T × C × H × W \epsilon(x)=z \in \mathbb{R}^{T×C×H×W}

(

)

∈

W 开始，其中

C C

C 是潜在通道的数量，

H H

H 和

W W

W 是潜在空间的空间维度。空间层将视频视为一批独立的图像（通过将时间轴转换为批量维度来实现），对于每个时间混合层

l ϕ i l_{\phi}^{i}

，我们按如下方式将其重新调整为视频维度（使用 einops [64] 表示法）：

z ′ ← rearrange ( z , ( b t ) c h w → b c t h w ) z’ \leftarrow \text{rearrange}(z, (b \ t) \ c \ h \ w \to b \ c \ t \ h \ w)

′

←

rearrange

(

)

→

)

z ′ ← l ϕ i ( z ′ , c ) z’ \leftarrow l_{\phi}^{i}(z’, c)

′

←

(

′

)

z ′ ← rearrange ( z ′ , b c t h w → ( b t ) c h w ) z’ \leftarrow \text{rearrange}(z’, b \ c \ t \ h \ w \to (b \ t) \ c \ h \ w)

′

←

rearrange

(

′

→

(

)

这里为了表述清晰，引入了 **批量维度

b b

b** 。

空间层在批量维度
b b
b 中独立处理所有
B ⋅ T B \cdot T
B
⋅
T 个已编码的视频帧；
时间层
l ϕ i ( z ′ , c ) l_{\phi}^{i}(z’, c)
l
ϕ
i

(
z
′
,
c
) 则在新的时间维度
t t
t 中处理整个视频。
c c
c 是（可选的）条件信息，比如文本提示。
在每个时间层之后，输出
z ′ z'
z
′ 会与
z z
z 按照
α ϕ i z + ( 1 − α ϕ i ) z ′ \alpha_{\phi}^{i}z + (1 - \alpha_{\phi}^{i})z'
α
ϕ
i

z

(

−

)

′ 的方式进行组合；

α ϕ i ∈ [ 0 , 1 ] \alpha_{\phi}^{i} \in [0, 1]

∈

[

] 表示一个（可学习的）参数（另见附录D）。

在实际应用中，作者实现了两种不同类型的时间混合层（见图4）：

时间注意力机制；
基于三维卷积的残差块。我们使用正弦嵌入[28, 89] 为模型提供时间位置编码。

使用与基础图像模型相同的噪声调度来训练 视频感知时间主干网络 。重要的是， **固定空间层

l θ i l_{\theta}^{i}

** ，仅通过以下公式 **优化时间层

l ϕ i l_{\phi}^{i}

** ：

a r g m i n ϕ E x ∼ p d a t a , τ ∼ p τ , ϵ ∼ N ( 0 , I ) [ ∥ y − f θ , ϕ ( z τ ; c , τ ) ∥ 2 2 ] (2) \underset{\phi}{arg min } \mathbb{E}{x \sim p{data}, \tau \sim p_{\tau}, \epsilon \sim \mathcal{N}(0, I)}[\left| y - f_{\theta, \phi}(z_{\tau}; c, \tau) \right|_{2}^{2}] \tag{2}

min

∼

(

)

[

∥

−

(

;

)

∥

]

(

)

其中

z T z_{T}

表示扩散后的编码

z

ϵ ( x ) z = \epsilon(x)

(

) 。通过这种方式，只需 跳过时间块 （例如，为每一层设置

α ϕ i

1 \alpha_{\phi}^{i}=1

1 ），就可以 保留原生的图像生成能力 。这种策略的一个 关键优势 是，可以 使用巨大的图像数据集来预训练空间层 ，而通常 不太容易获得的视频数据则可以用于专注训练时间层。

3.1.1 时间自动编码器微调

基于预训练图像LDMs构建的视频模型，虽然提高了效率，但LDM的自动编码器仅在图像上进行了训练，在对 时间连贯的图像序列进行编码和解码时会导致闪烁伪影 。

为了解决这个问题，作者为 自动编码器的解码器引入了额外的时间层 ，并且使用 由三维卷积构建的（基于图像块的）时间判别器，在视频数据上对这些时间层进行微调 ，见图3。需要注意的是， 编码器与在图像训练时保持不变 ，这样一来，在潜在空间中对已编码视频帧进行操作的图像扩散模型就可以重复使用。这一步对于取得良好结果至关重要。

3.2 长视频生成的预测模型

局限性

尽管第3.1节中描述的方法在生成短视频序列方面效率很高，但在合成非常长的视频时却存在局限性。

解决方案

因此，作者还会在给定一定数量（最初的）

S S

S 个上下文帧的情况下，将模型训练为预测模型，通过引入一个 时间二进制掩码

m S m_{S}

来实现这个目标，该掩码会遮蔽模型需要预测的

T − S T - S

−

S 帧，其中

T T

T 是如第3.1节中所述的总序列长度。我们将这个掩码和掩码后的编码视频帧输入模型进行条件设定。

具体实现

这些帧通过潜在扩散模型（LDM）的图像编码器

ϵ \epsilon

ϵ 进行编码，然后与掩码相乘，接着在经过一个可学习的下采样操作处理后，（按通道与掩码进行连接）被输入到时间层

l ϕ i l_{\phi}^{i}

中，见图4。设

c S

( m S ∘ z , m S ) c_{S}=(m_{S} \circ z, m_{S})

(

∘

) 表示掩码和经过掩码处理（编码后）的图像在空间上连接后的条件信息。那么，公式（2）中的目标函数可表示为：

E x ∼ p d a t a , m S ∼ p S , τ ∼ p τ , ϵ [ ∥ y − f θ , ϕ ( z τ ; c S , c , τ ) ∥ 2 2 ] , ( 3 ) \mathbb{E}{x \sim p{data }, m_{S} \sim p_{S}, \tau \sim p_{\tau}, \epsilon}\left[\left| y-f_{\theta, \phi}\left(z_{\tau} ; c_{S}, c, \tau\right)\right| _{2}^{2}\right], (3)

∼

[

∥

−

(

;

)

∥

]

(

)

其中

p S p_{S}

表示（分类的）掩码采样分布。在实际应用中，我们训练的预测模型会基于0个、1个或2个上下文帧来设置条件，这样就可以实现如下所述的无分类器引导。

推理过程

在 推理时 ，为了生成长视频，我们可以 迭代地应用采样过程，将最新的预测结果作为新的上下文 。过程如下：

最初的第一个序列是通过基础图像模型合成单个上下文帧，然后基于该帧生成下一个序列。
之后，以两个上下文帧作为条件来对运动进行编码（附录中有详细信息）。
为了稳定这个过程，作者发现使用无分类器扩散引导（Classifier-free guidance）是有益的，在采样过程中，通过下式引导模型：
f θ , ϕ ′ ( z τ ; c S )
f θ , ϕ ( z τ ) + s ⋅ ( f θ , ϕ ( z τ ; c S ) − f θ , ϕ ( z τ ) ) f_{\theta, \phi}’(z_{\tau}; c_{S}) = f_{\theta, \phi}(z_{\tau}) + s \cdot (f_{\theta, \phi}(z_{\tau}; c_{S}) - f_{\theta, \phi}(z_{\tau}))
f
θ
,
ϕ
′

(
z
τ

;
c
S

)
=
f
θ
,
ϕ

(
z
τ

)

⋅

(

;

)

−

(

))

其中：

s ≥ 1 s \geq 1
s
≥
1 表示引导尺度，为了可读性，这里省略了对
τ \tau
τ 和其他信息
c c
c 的显式条件设定。作者将这种引导方式称为上下文引导。
最终的结果
f θ , ϕ ′ ( z τ ; c S ) f_{\theta, \phi}’(z_{\tau}; c_{S})
f
θ
,
ϕ
′

(
z
τ

;
c
S

) ：将 **原始的无条件预测结果
f θ , ϕ ( z τ ) f_{\theta, \phi}(z_{\tau})
f
θ
,
ϕ

(
z
τ

)** 与 **经过条件调整的部分
s ⋅ ( f θ , ϕ ( z τ ; c S ) − f θ , ϕ ( z τ ) ) s \cdot (f_{\theta, \phi}(z_{\tau}; c_{S}) - f_{\theta, \phi}(z_{\tau}))
s
⋅
(
f
θ
,
ϕ

(
z
τ

;
c
S

)
−
f
θ
,
ϕ

(
z
τ

))** 相加 。这意味着最终的结果是在原始预测结果的基础上，根据条件信息
c S c_{S}
c
S

的影响进行调整，调整的程度由引导尺度
s s
s 控制。

这里其实和Transformer的自回归生成相似。上文中，帧和序列不一样，序列是指一系列按时间顺序排列的帧的集合，在第二步中的两个上下文帧的来源于前面已经得到的序列。

3.3 高帧率的时间插值

高分辨率视频 需兼具 高空间分辨率 和 高时间分辨率（高帧率） 。为此，将其合成过程分为两部分：

第3.1和3.2节的过程 可生成语义变化大的关键帧 ，但受内存限制，帧率较低。
引入一个额外的模型，其任务是在给定的关键帧之间进行插值。

为了实现这第二点，作者使用第 3.2 节中介绍的 掩码 - 条件机制 。然而，与预测任务不同的是，需要 对插值的帧进行掩码处理 —— 除此之外，该机制保持不变，即 图像模型被改进为视频插值模型 。

在作者的的实验中，通过在两个给定的关键帧之间预测三帧，从而训练一个将帧率从 T 提升到 4T 的插值模型。为了实现更高的帧率，作者同时在 T 到 4T 和 4T 到 16T 的帧率范围内（使用不同帧率的视频）训练模型，并通过二元条件指定。

作者对 预测和插值模型的训练方法 受到了近期一些视频扩散模型的启发，这些模型也使用了类似的掩码技术（另见附录C）。

3.4 超分辨率模型的时间微调

为了 将其分辨率提升到百万像素级别 。作者从级联DMs（SDXL、CogView3等都是级联DMs模型）中获得灵感，使用一个DM将Video LDM的输出再放大4倍。主要做法如下：

在驾驶视频合成实验中，使用像素空间DM并将分辨率提升到512×1024；
对于文本到视频模型，我们使用LDM上采样器并将分辨率提升到1280×2048。

作者使用噪声增强和噪声水平条件，并通过下式训练 超分辨率（SR） 模型

g θ , ϕ g_{\theta, \phi}

（在图像或潜在空间上）：

E x ∼ p d a t a , ( τ , τ γ ) ∼ p τ , ϵ ∼ N ( 0 , I ) [ ∥ y − g θ , ϕ ( x τ ; c τ γ , τ γ , τ ) ∥ 2 2 ] (5) \mathbb{E}{x \sim p{data}, (\tau, \tau_{\gamma}) \sim p_{\tau}, \epsilon \sim \mathcal{N}(0, I)}[\left| y - g_{\theta, \phi}(x_{\tau}; c_{\tau_{\gamma}}, \tau_{\gamma}, \tau) \right|_{2}^{2}] \tag{5}

∼

(

)

∼

(

)

[

−

(

;

)

]

(

)

其中

c τ γ

α τ γ x + σ τ γ ϵ c_{\tau_{\gamma}} = \alpha_{\tau_{\gamma}}x + \sigma_{\tau_{\gamma}}\epsilon

ϵ ，

ϵ ∼ N ( 0 , I ) \epsilon \sim \mathcal{N}(0, I)

∼

(

) ，表示通过连接提供给模型的噪声低分辨率图像，

τ γ \tau_{\gamma}

是根据噪声调度

α τ \alpha_{\tau}

、

σ τ \sigma_{\tau}

添加到低分辨率图像上的噪声量。

噪声增强是指在训练过程中，人为地向输入数据（通常是低分辨率图像）添加噪声的过程。
噪声水平条件是指将噪声的水平（强度或数量）作为模型的一个输入条件。在公式中，
τ \tau
τ 和
τ γ \tau_{\gamma}
τ
γ

就是噪声水平条件，它们是从分布
p τ p_{\tau}
p
τ

中采样得到的。
在上述超分辨率模型的训练公式中，噪声增强和噪声水平条件是相互关联的。首先通过噪声增强将噪声添加到低分辨率图像
x x
x 中得到
x τ x_{\tau}
x
τ

，同时使用噪声水平条件中的参数（如
α τ γ \alpha_{\tau_{\gamma}}
α
τ
γ

和
σ τ γ \sigma_{\tau_{\gamma}}
σ
τ
γ

）计算条件变量
c τ γ c_{\tau_{\gamma}}
c
τ
γ

，将噪声添加到原始图像上得到一个新的条件输入。这样，超分辨率模型
g θ , ϕ g_{\theta, \phi}
g
θ
,
ϕ

会根据输入的噪声水平条件，学习在不同噪声环境下如何将低分辨率图像转换为高分辨率图像。

此外还有一个新的问题：独立对视频帧进行上采样会导致时间一致性较差。

解决方案：
- 使 SR 模型具有视频感知能力。
- 遵循第3.1节机制，利用空间层
  l θ i l_{\theta}^{i}
  l
  θ
  i
  
  和时间层
  l ϕ i l_{\phi}^{i}
  l
  ϕ
  i
  
  对缩放器进行视频微调。
- 以长度为
  T T
  T 的低分辨率序列为条件，逐帧连接低分辨率视频图像。
- 仅在图像块上高效训练缩放器，后续通过卷积应用模型。

总结

作者认为 LDM 与 上采样器DM 的结合对于高效的高分辨率视频合成是理想的。图5展示了第3.1节至第3.4节所有组件的模型：

图5. Video LDM架构。我们首先生成稀疏关键帧。然后使用相同的插值模型分两步进行时间插值以实现高帧率。这些操作都基于共享相同图像骨干网络的潜在扩散模型（LDMs）。最后，将潜在视频解码到像素空间，并可选地应用视频上采样器扩散模型。

Video LDM的LDM组件 ：
- 利用 压缩潜在空间 进行视频建模。
- 优势：可使用大批次大小，能联合编码更多视频帧，利于长期视频建模，不会有过高的内存需求，因为所有视频预测和插值都在潜在空间中进行。
上采样器 ：
- 训练方式：高效的图像块方式。
- 效果：节省计算资源，降低内存消耗，因低分辨率条件无需捕捉长期时间相关性，无需预测和插值框架。

4. 实验

这部分请参考原文，此处只做简要介绍

数据集

用于驾驶场景视频生成和文本到视频任务，使用RDS数据集（683,060个8秒、512×1024、30fps视频，含昼夜标签、拥挤度注释、部分含边界框）、WebVid-10M数据集（1070万视频-字幕对，52,000视频小时，调整为320×512），以及附录I.2的山地自行车数据集。

评估指标

采用逐帧FID、FVD，因FVD不可靠，作者还进行了人工评估；文本到视频实验还评估CLIPSIM和IS（见附录G）。

模型架构和采样

图像LDM基于[65]，使用卷积编码器/解码器，潜在空间DM架构基于[10]的U-Net；像素空间上采样器DM使用相同图像DM骨干网络，实验用DDIM采样，更多信息在附录。

更多架构、训练、评估、采样和数据集的详细信息见附录。

4.1 高分辨率驾驶视频合成

训练过程 ：
- 在RDS数据上训练Video LDM管道及4倍像素空间上采样器，基于昼夜和拥挤度条件，训练时随机丢弃标签实现不同合成方式。
- 先训练图像骨干LDM的空间层，再训练时间层。
性能对比 ：
- 以LVG为基线，Video LDM在128×256未使用上采样器时性能更优，添加条件可降FVD。
- 人工评估显示Video LDM样本在真实感方面更优，条件模型样本好于无条件样本。
上采样器比较 ：
- 视频微调上采样器与独立逐帧图像上采样对比，时间对齐对上采样器性能重要，独立上采样致FVD下降但FID稳定。
实验结果展示 ：
- 展示结合Video LDM和上采样器的条件样本，能生成长达数分钟、时间连贯的高分辨率驾驶视频，已验证5分钟结果在附录和补充视频。

4.1.1 消融研究

重点提炼 ：

在RDS数据集上对比较小的Video LDM与各种基线，结果在表1（右）及附录G。
不同模型设置的性能比较：
- 对预训练像素空间图像扩散模型应用时间微调策略，性能不如原Video LDM。
- 端到端LDM在RDS视频上从头学参（无图像预训练），FID和FVD大幅下降。
- 引入3D卷积时间层可输入上下文帧，性能优于仅用注意力机制的时间模型（同空间层和可训练参数）。
- 应用上下文引导可降FVD但增FID。

此外还做了如下操作：

分析对包含LDM框架[65]的压缩模型解码器进行视频微调的效果。
在RDS数据集上应用微调策略，对比重建视频/图像帧的FVD/FID分数。
结果表明视频微调使FVD/FID分数有数量级的提升（表3）。

4.1.2 驾驶场景模拟

省略，参考原文

4.2 使用稳定扩散的文本到视频

Video LDM方法 ：

无需先训练自己的图像LDM骨干网络，可利用现有图像LDM转变成视频生成器。
将稳定扩散转变为文本到视频生成器，使用WebVid-10M数据集训练时间对齐版本，对稳定扩散的空间层微调，插入时间对齐层和添加文本条件。
对稳定扩散潜在上采样器进行视频微调，支持4倍上采样，生成1280×2048分辨率视频，生成的视频含113帧，可渲染为不同帧率和时长的片段。
能生成超越训练数据的具有表现力和艺术性的视频，结合了图像模型风格与视频的运动和时间一致性。

评估结果 ：

在UCF-101和MSR-VTT评估零样本文本到视频生成，除Make-A-Video外优势显著，在UCF-101的IS指标上超Make-A-Video，Make-A-Video使用更多数据。

4.2.1 使用DreamBooth的个性化文本到视频

时间层转移测试 ：

探究Video LDM中图像LDM骨干网络上训练的时间层能否转移到其他模型检查点。
使用DreamBooth对稳定扩散的空间骨干网络（SD 1.4）在少量特定对象图像上微调，绑定身份与罕见文本标记。
将经过视频调整的稳定扩散中的时间层插入原始稳定扩散模型的新DreamBooth版本，用绑定标记生成视频，可生成个性化连贯视频并能捕捉训练图像身份，验证了时间层可推广到其他图像LDM，首次实现个性化文本到视频生成，更多结果在附录I。

5. 结论

下面是本文的核心：

模型提出 ：Video Latent Diffusion Models（Video LDMs）用于高效高分辨率视频生成。
关键设计 ：基于 预训练图像扩散模型 ，并 通过时间对齐层进行时间视频微调 转化为视频生成器。
计算效率保证 ：利用LDMs，可与超分辨率DM结合并进行时间对齐。
应用成果 ：
- 合成长达数分钟高分辨率且时间连贯的驾驶场景视频。
- 将 稳定扩散文本到图像LDM 转变为 文本到视频LDM并实现个性化文本到视频生成。
时间层特性 ：学习到的时间层可转移到不同模型检查点，利用这一点进行个性化文本到视频生成。

目录

AIGC视频生成模型慕尼黑大学NVIDIA等的Video-LDMs模型

AIGC视频生成模型：慕尼黑大学、NVIDIA等的Video LDMs模型

热门专栏

机器学习

深度学习

论文

摘要

1. 引言

贡献

2. 背景

扩散模型（DMs）

x τ

λ τ

v

v

σ τ 2

σ τ 2

潜在扩散模型（LDMs）

x ^

z

z

3. 潜在视频扩散模型

3.1 将潜在图像转变为视频生成器

{ l ϕ i } i

α ϕ i

ϵ ( x )

z

α ϕ i

3.1.1 时间自动编码器微调

3.2 长视频生成的预测模型

c S

f θ , ϕ ′ ( z τ ; c S )

3.3 高帧率的时间插值

3.4 超分辨率模型的时间微调

c τ γ

总结

4. 实验

数据集

评估指标

模型架构和采样

4.1 高分辨率驾驶视频合成

4.1.1 消融研究

4.1.2 驾驶场景模拟

4.2 使用稳定扩散的文本到视频

4.2.1 使用DreamBooth的个性化文本到视频

5. 结论