超10秒高分辨率，北大Open Sora*生成更强了，还支持华为芯片
摘要：
月日有营销号评价向太一家的颜值向佐为维护弟弟怒怼营销号引发关注营销号发布的内容里先是在感慨郭碧婷长得和年轻时的向太很像所以才这么讨婆婆喜欢又提了不知道爸爸帅妈妈美为什么向佐和向佑长... 3月5日，有营销号评价向太一家的颜值，向佐为维护弟弟怒怼营销号，引发关注。营销号发布的内容里先是在感慨郭碧婷长得和年轻时的向太很像，所以才这么讨婆婆喜欢，又提了“不知道爸爸帅妈妈美，为什么向佐和向佑长得都不怎么样”。
机器之心报道
编辑：陈萍
北大团队联合兔展发起的 Sora 复现计划，现在有了新成果。
OpenAI 在今年年初扔出一项重大研究，Sora 将*生成带入一个新的高度，很多人表示，现在的 OpenAI 一出手就是王炸。然而，众多周知的是，OpenAI 一向并不 Open，关于 Sora 的更多细节我们无从得知。谁能率先发布类 Sora 研究成了一个热门话题。
今年 3 月初，北大团队联合兔展启动了 Sora 复现计划 ——Open Sora Plan，该项目希望通过开源社区的力量复现 Sora。
项目上线一个月，星标量已经达到 6.6k。
项目地址：https://github.com/PKU-YuanGroup/Open-Sora-Plan
技术报告：https://github.com/PKU-YuanGroup/Open-Sora-Plan/blob/main/docs/Report-v1.0.0.md
现在这个项目终于有了新成果，Open-Sora-Plan v1.0.0 来了，新研究显著增强了*生成的质量以及对文本的控制能力。研究者表示，他们正在训练更高分辨率（>1024）以及更长时间（>10s）的*。目前该项目已支持国产 AI 芯片（华为昇腾 910b）进行推理，下一步将支持国产算力训练。
项目作者林彬表示：Open-Sora-Plan v1.0.0 可以生成1024×1024分辨率*，也能生成10 秒、24 FPS 的高清*。而且它还能够生成高分辨率图像。
下面我们看一下 v1.0.0 的效果（为了展示，动图进行了一些压缩，会损失一些质量）。
文本到*生成
提示：海上的日落。
提示：黎明时分，宁静的海滩，海浪轻轻拍打着海岸，天空被涂上柔和的色调......
*链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650913555&idx=3&sn=cda29f54783037b2666067d36c47b83c&chksm=84e47f6db393f67b53392e3e17ff70f8555f313b07e46435b93f0b3490bf26d33751135f0c42&token=1621133812&lang=zh_CN#rd
提示：沿海景观从日出到黄昏过渡的延时拍摄……
文本到*生成的更多效果展示：
*链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650913555&idx=3&sn=cda29f54783037b2666067d36c47b83c&chksm=84e47f6db393f67b53392e3e17ff70f8555f313b07e46435b93f0b3490bf26d33751135f0c42&token=1621133812&lang=zh_CN#rd
文本到图像生成（512×512 ）
*重建（720×1280）
*链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650913555&idx=3&sn=cda29f54783037b2666067d36c47b83c&chksm=84e47f6db393f67b53392e3e17ff70f8555f313b07e46435b93f0b3490bf26d33751135f0c42&token=1621133812&lang=zh_CN#rd
图像重建（1536×1024）：
在实现细节方面，通过团队放出的技术报告，我们得知模型架构 CausalVideoVAE 概览图如下所示：
CausalVideoVAE 架构继承自 Stable-Diffusion Image VAE。为了保证 Image VAE 的预训练权重能够无缝应用到 Video VAE 中，模型结构设计如下：
CausalConv3D：将 Conv2D 转换为 CausalConv3D，可以实现图像和*数据的联合训练。CausalConv3D 对第一帧进行特殊处理，因为它无法访问后续帧。
初始化：Conv2D 扩展到 Conv3D 常用的方法有两种：平均初始化和中心初始化。但本文采用了特定的初始化方法 tail 初始化。这种初始化方法确保模型无需任何训练就能够直接重建图像，甚至*。
训练细节：
上图展示了 17×256×256 下两种不同初始化方法的损失曲线。黄色曲线代表使用 tail init 损失，而蓝色曲线对应中心初始化损失。如图所示，tail 初始化在损失曲线上表现出更好的性能。此外，该研究发现中心初始化会导致错误累积，导致在长时间内崩溃。
训练扩散模型。与之前的工作类似，该研究采用了多阶段级联训练方法，总共消耗了 2048 A800 GPU 小时。研究发现，图像联合训练显着加速了模型收敛并增强了视觉感知，这与 Latte 的研究结果一致。
不过，目前发布的 CausalVideoVAE（v1.0.0）有两个主要缺点：运动模糊和网格效果。团队正在改进这些缺点，后续版本很快就会上线。
最后附上团队完整名单：
查看原图 43K
