在文本轉圖像上卷了大半年之后，Meta、谷歌等科技巨頭又將目光投向了一個新的戰場：文本轉視頻。

上周，Meta 公布了一個能夠生成高質量短視頻的工具——Make-A-Video，利用這款工具生成的視頻非常具有想象力。

當然，谷歌也不甘示弱。剛剛，該公司 CEO Sundar Pichai 親自安利了他們在這一領域的最新成果：兩款文本轉視頻工具——Imagen Video 與 Phenaki。前者主打視頻品質，后者主要挑戰視頻長度，可以說各有千秋。

下面這個洗盤子的泰迪熊就是用 Imagen Video 生成的，可以看到，畫面的分辨率和連貫性都有一定的保障。

Imagen Video：給出文本提示，生成高清視頻

生成式建模在最近的文本到圖像 AI 系統中取得了重大進展，比如 DALL-E 2、Imagen、Parti、CogView 和 Latent Diffusion。特別地，擴散模型在密度估計、文本到語音、圖像到圖像、文本到圖像和 3D 合成等多種生成式建模任務中取得了巨大成功。

谷歌想要做的是從文本生成視頻。以往的視頻生成工作集中于具有自回歸模型的受限數據集、具有自回歸先驗的潛變量模型以及近來的非自回歸潛變量方法。擴散模型也已經展示出了出色的中等分辨率視頻生成能力。

在此基礎上，谷歌推出了 Imagen Video，它是一個基于級聯視頻擴散模型的文本條件視頻生成系統。給出文本提示，Imagen Video 就可以通過一個由 frozen T5 文本編碼器、基礎視頻生成模型、級聯時空視頻超分辨率模型組成的系統來生成高清視頻。

論文地址：https://imagen.research.google/video/paper.pdf

在論文中，谷歌詳細描述了如何將該系統擴展為一個高清文本轉視頻模型，包括某些分辨率下選擇全卷積時空超分辨率模型以及選擇擴散模型的 v 參數化等設計決策。谷歌還將以往基于擴散的圖像生成研究成果成功遷移到了視頻生成設置中。

谷歌發現，Imagen Video 能夠將以往工作生成的 24fps 64 幀 128×128 視頻提升至 128 幀 1280×768 高清視頻。此外，Imagen Video 還具有高度的可控性和世界知識，能夠生成多樣化藝術風格的視頻和文本動畫，還具備了 3D 對象理解能力。

讓我們再來欣賞一些 Imagen Video 生成的視頻，比如開車的熊貓：

遨游太空的木船：

更多生成視頻請參閱：https://imagen.research.google/video/

方法與實驗

整體而言，谷歌的視頻生成框架是七個子視頻擴散模型的級聯，它們相應執行文本條件視頻生成、空間超分辨率和時間超分辨率。借助整個級聯，Imagen Video 能夠以每秒 24 幀的速度生成 128 幀 1280×768 的高清視頻（約 1.26 億像素）。

與此同時，在漸進式蒸餾的幫助下，Imagen Video 的每個子模型中僅使用八個擴散步驟就能生成高質量視頻。這將視頻生成時間加快了大約 18 倍。

下圖 6 展示了 Imagen Video 的整個級聯 pipeline，包括 1 個 frozen 文本編碼器、1 個基礎視頻擴散模型以及 3 個空間超分辨率（SSR）和 3 個時間超分辨率（TSR）模型。這七個視頻擴散模型共有 116 億參數。

在生成過程中，SSR 模型提高了所有輸入幀的空間分辨率，同時 TSR 模型通過在輸入幀之間填充中間幀來提高時間分辨率。所有模型同時生成一個完整的幀塊，這樣 SSR 模型不會遭受明顯的偽影。

Imagen Video 構建在視頻 U-Net 架構之上，具體如下圖 7 所示。

在實驗中，Imagen Video 在公開可用的 LAION-400M 圖像文本數據集、1400 萬個視頻文本對和 6000 萬個圖像文本對上進行訓練。結果正如上文所述，Imagen Video 不僅能夠生成高清視頻，還具備一些純從數據中學習的非結構化生成模型所沒有的獨特功能。

下圖 8 展示了 Imagen Video 能夠生成具有從圖像信息中學得的藝術風格的視頻，例如梵高繪畫風格或水彩畫風格的視頻。

下圖 9 展示了 Imagen Video 對 3D 結構的理解能力，它能夠生成旋轉對象的視頻，同時物體的大致結構也能保留。

下圖 10 展示了 Imagen Video 能夠可靠地生成各種動畫樣式的文本，其中一些使用傳統工具很難來制作。

更多實驗細節請參閱原論文。

Phenaki：你講故事我來畫

我們知道，雖然從本質上講，視頻就是一系列圖像，但生成一個連貫的長視頻并沒有那么容易，因為在這項任務中，可用的高質量數據非常少，而且任務本身的計算需求又很大。

更麻煩的是，像之前那種用于圖像生成的簡短文本 prompt 通常不足以提供對視頻的完整描述，視頻需要的是一系列 prompt 或故事。理想情況下，一個視頻生成模型必須能夠生成任意長度的視頻，并且要能根據某個時刻 t 的 prompt 變化調節生成的視頻幀。只有具備這樣的能力，模型生成的作品才能稱之為「視頻」，而不是「移動的圖像」，并開啟在藝術、設計和內容創作方面的現實創意應用之路。

谷歌等機構的研究人員表示，「據我們所知，基于故事的條件視頻生成之前從未被探索過，這是第一篇朝著該目標邁進的早期論文。」

• 論文鏈接：https://pub-bede3007802c4858abc6f742f405d4ef.r2.dev/paper.pdf
• 項目鏈接：https://phenaki.github.io/#interactive

由于沒有基于故事的數據集可以拿來學習，研究人員沒有辦法簡單地依靠傳統深度學習方法（簡單地從數據中學習）完成這些任務。因此，他們專門設計了一個模型來完成這項任務。

這個新的文本轉視頻模型名叫 Phenaki，它使用了「文本轉視頻」和「文本轉圖像」數據聯合訓練。該模型具有以下能力：

1、在開放域 prompt 的條件下生成時間上連貫的多樣化視頻，即使該 prompt 是一個新的概念組合（見下圖 3）。生成的視頻可以長達幾分鐘，即使該模型訓練所用的視頻只有 1.4 秒（8 幀 / 秒）

2、根據一個故事（即一系列 prompt）生成視頻，如下圖 1 和圖 5 所示：

從以下動圖中我們可以看到 Phenaki 生成視頻的連貫性和多樣性：

要實現這些功能，研究人員無法依賴現有的視頻編碼器，因為這些編碼器要么只能解碼固定大小的視頻，要么獨立編碼幀。為了解決這個問題，他們引入了一種新的編碼器 - 解碼器架構——C-ViViT。

C-ViViT 可以：

• 利用視頻中的時間冗余來提高每幀模型的重構質量，同時將視頻 token 的數量壓縮 40% 或更多；
• 在給定因果結構的情況下，允許編碼和解碼可變長度視頻。

PHENAKI 模型架構

受之前自回歸文本轉圖像、文本轉視頻研究的啟發，Phenaki 的設計主要包含兩大部分（見下圖 2）：一個將視頻壓縮為離散嵌入（即 token）的編碼器 - 解碼器模型和一個將文本嵌入轉換為視頻 token 的 transformer 模型。

獲取視頻的壓縮表示是從文本生成視頻的主要挑戰之一。之前的工作要么使用 per-frame 圖像編碼器，如 VQ-GAN，要么使用固定長度視頻編碼器，如 V ideoVQVAE。前者允許生成任意長度的視頻，但在實際使用中，視頻必須要短，因為編碼器不能及時壓縮視頻，并且 token 在連續幀中是高度冗余的。后者在 token 數量上更加高效，但它不允許生成任意長度的視頻。

在 Phenaki 中，研究者的目標是生成可變長度的視頻，同時盡可能壓縮視頻 token 的數量，這樣就可以在當前的計算資源限制下使用 Transformer 模型。為此，他們引入了 C-ViViT，這是 ViViT 的一種因果變體，為視頻生成進行了額外的架構更改，它可以在時間和空間維度上壓縮視頻，同時保持時間上的自回歸。該功能允許生成任意長度的自回歸視頻。

為了得到文本嵌入，Phenaki 還用到了一個預訓練的語言模型——T5X。

具體細節請參見原論文。