阿里巴巴重磅开源EasyAnimate！基于DiT的长视频制作生态系统

文章链接：https://arxiv.org/pdf/2405.18991
开源地址：https://github.com/aigc-apps/EasyAnimate

本文介绍了EasyAnimate，这是一种用于视频生成的高级方法，利用Transformer架构的强大性能实现高效成果。扩展了最初设计用于2D图像合成的DiT框架，通过引入运动模块以适应3D视频生成的复杂性。该模块用于捕捉时间动态，从而确保帧的一致性和运动过渡的平滑性。运动模块可以适应各种DiT基线方法，以生成不同风格的视频。在训练和推理阶段，它还能够生成具有不同帧速率和分辨率的视频，适用于图像和视频。

此外，还引入了slice VAE，这是一种压缩时间轴的创新方法，方便生成长时间的视频。目前，EasyAnimate能够生成144帧的视频。研究者们基于DiT提供了一个全面的视频制作生态系统，涵盖数据预处理、VAE训练、DiT模型训练（包括基线模型和LoRA模型）以及端到端的视频推理。目前仍在不断努力提高我们方法的性能。

介绍

人工智能在文本、图像和声音的创意内容生成方面已经决定性地扩展了其应用范围。在视觉领域，扩散模型被广泛用于图像生成和修改。开源项目如Stable Diffusion在文本转图像方面取得了显著进展。然而，在视频生成方面，当前模型仍面临一些挑战，如质量欠佳、视频长度有限以及运动不自然，这表明该技术还有很大的进步空间。

一些开创性的研究在利用Stable Diffusion方法进行视频合成方面取得了进展，重点是用于去噪过程的UNet架构。最近，Sora 展现了非凡的视频生成能力，能够生成长达一分钟的高保真视频。这一进步显著提升了现实世界模拟的真实性，相比其前辈有了很大的提高。此外，这揭示了Transformer架构在视频生成中的关键作用，促使开源社区以新的热情深入探讨Transformer结构的复杂性。

在此背景下，研究者们推出了EasyAnimate，一个简单而强大的视频生成基线。该框架提供了一个易于访问的训练流程，涵盖了VAE、DiT的训练，并促进了文本到图像和文本到视频生成的混合训练。值得注意的是，设计了一种切片机制以支持长时间视频生成。为VAE实施了两阶段训练策略，以增强解码效果。

在DiT方面，通过引入时空运动模块块来探索视频生成的时间信息。此外，从UViT引入的长连接丰富了我们的架构。DiT的训练分为三个阶段：最初进行图像训练以适应新训练的VAE；随后在大规模数据集上训练运动模块以生成视频；最后，整个DiT网络在高分辨率视频和图像上进行训练。此外，还提出了一套全面的数据预处理协议，旨在策划高质量的视频内容及其对应的字幕。期望EasyAnimate能作为未来视频合成研究的强大且高效的基线，进一步推动创新、进步和探索。

模型架构

下图1展示了EasyAnimate的概述。是基于PixArt-α构建了EasyAnimate。它包括一个文本编码器、视频VAE（视频编码器和视频解码器）以及Diffsuion Transformer（DiT）。使用T5编码器作为文本编码器。

视频VAE

在早期的研究中，基于图像的变分自编码器（VAE）被广泛用于视频帧的编码和解码，例如AnimateDiff、ModelScopeT2V和OpenSora。一种流行的图像VAE实现（Stability-AI），如在Stable Diffusion中使用的那样，将每个视频帧编码为一个单独的潜在特征，大大缩小了帧的空间维度至宽度和高度的八分之一。这种编码技术忽视了时间动态，将视频降解为静态图像表示。传统基于图像的VAE的一个显著局限是其无法压缩时间维度。因此，细微的帧间时间关系未能被充分捕捉，导致潜在特征较大，CUDA内存需求急剧增加。这些挑战显著阻碍了此类方法在长视频创建中的实用性。因此，主要挑战在于如何在视频编码器和解码器中有效压缩时间维度。

此外，在使VAE能够同时使用图像和视频进行训练。先前的研究（Blattmann）表明，将图像整合到视频训练流程中可以更有效地优化模型架构，从而改进其文本对齐并提高输出质量。

一个著名的视频VAE例子是MagViT，据信它被用于Sora框架。为了提高时间维度的压缩效率，在MagViT中引入了切片机制，并提出了Slice VAE。Slice VAE的架构见下图2。

MagViT：最初在EasyAnimate中采用了MagViT。它采用了因果3D卷积块。该块在应用普通3D卷积之前，在时间轴上引入了一种前置时间填充方式，从而确保帧利用先前信息增强时间因果关系，同时不受后续帧的影响。此外，MagViT还允许模型处理图像和视频。通过将图像训练与视频训练结合，它能够利用丰富且易获取的图像，这已被证明在DiT的训练过程中可以增强文本-图像对齐，从而显著改善视频生成结果。尽管MagViT在视频编码和解码方面有其优雅的处理方式，但在极长视频序列的训练中面临挑战，主要是由于内存限制。具体而言，所需内存通常超过A100 GPU的可用内存，使得无法一步解码大视频（如1024x1024x40）。这个挑战突显了需要批处理以实现增量解码，而不是尝试在一步中解码整个序列的必要性。

Slice VAE:为了实现批处理，首先在空间维度上实验了切片机制。然而，这导致了不同批次之间的轻微照明不一致。随后，我们转向在时间维度上进行切片。通过这种方法，一组视频帧被分为若干部分，每部分分别进行编码和解码，如前面图2(a)所示。然而，不同批次之间的信息分布是不均衡的。例如，由于MagViT中的前向填充过程，第一批次包含一个实际特征和额外的填充特征，信息量较少。这种不均衡的信息分布是一个显著的方面，可能会阻碍模型优化。此外，这种批处理策略也会影响视频处理过程中的压缩率。

另一种方法是实现跨不同批次的特征共享，如前面图2(b)所示。在解码过程中，特征与其前后的特征（如果有的话）进行连接，从而产生更一致的特征并实现更高的压缩率。这涉及通过SpatialTemporalDownBlock（在编码器中标记为浅橙色）对特征进行压缩，目标是空间和时间维度。通过这种方式，编码特征包含时间信息，从而节省计算资源并同时提高生成结果的质量。

视频Diffsuion Transformer

Diffsuion Transformer的架构如下图3所示。该模型基于PixArt-α，并通过引入如图3(b)所示的运动模块，使其从2D图像合成扩展到3D视频生成。此外，还集成了UViT的连接，如图3(c)所示，以增强训练过程的稳定性。

运动模块：运动模块专门设计用于利用帧长度中嵌入的时间信息。通过在时间维度上整合注意力机制，模型获得了同化这些时间数据的能力，这对于生成视频运动至关重要。同时，采用网格重塑操作来增加注意力机制的输入令牌池，从而增强对图像中空间细节的利用，最终实现更优异的生成性能。值得注意的是，与AnimateDiff类似，训练好的运动模块可以适应各种DiT基线模型，以生成不同风格的视频。

U-VIT：在训练过程中，观察到深层的DITs趋于不稳定，表现为模型的损失急剧增加，从0.05到0.2，最终上升到1.0。为了加强模型优化过程并避免在通过DIT层进行反向传播时的梯度崩溃，在相应的变压器块之间使用了长跳跃连接，这对于基于UNet框架的Stable Diffusion模型非常有效。为了在现有的Diffsuion Transformer架构中无缝集成这一修改，而无需全面重新训练，初始化了几个权重为零的全连接层（前面图3(c)中的灰色块）。

数据预处理

EasyAnimate的训练包括图像数据和视频数据。本节详细介绍视频数据处理方法，包括三个主要阶段：视频拆分、视频过滤和视频字幕。这些步骤对于筛选出具有详细字幕的高质量视频数据，以便能够概括视频内容的精髓至关重要。

视频拆分

对于较长的视频拆分，首先使用PySceneDetect来识别视频中的场景变化，并根据这些过渡进行场景剪切，以确保视频片段的主题一致性。剪切后，仅保留长度在3到10秒之间的片段用于模型训练。

视频过滤

从三个方面过滤视频数据，即运动评分、文本区域评分和美学评分。

运动过滤：在训练视频生成模型时，确保视频展示出运动感以区分于静态图像至关重要。同时，保持运动的一定一致性也很重要，因为过于不稳定的运动会影响视频的整体连贯性。为此，使用RAFT (Teed and Deng, 2020) 在指定的每秒帧数（FPS）之间计算帧之间的运动评分，并根据适当的运动评分过滤视频，以微调运动的动态性。

文本过滤：视频数据中通常包含特定的文本信息（例如字幕），这不利于视频模型的学习过程。为了解决这个问题，使用光学字符识别（OCR）确定视频中文本区域的比例。OCR在采样帧上进行，以表示视频的文本评分。然后，仔细过滤掉任何文本区域超过视频帧面积1%的视频片段，确保剩下的视频对模型训练是最优的。

美学过滤：此外，互联网上有许多低质量的视频。这些视频可能缺乏主题焦点或因过度模糊而受到影响。为了提高训练数据集的质量，我们计算美学评分并保留高评分的视频，从而获得视觉上吸引人的训练集用于视频生成。

视频字幕

视频字幕的质量直接影响生成视频的效果。对几种大型多模态模型进行了全面比较，权衡了它们的性能和操作效率。经过仔细考虑和评估，选择了VideoChat2和VILA来进行视频数据的字幕生成，因为它们在我们的评估中表现出色，特别是在实现包含细节和时间信息的视频字幕方面非常有前途。

训练过程

总共使用了大约1200万张图像和视频数据来训练视频VAE模型和DiT模型。我们首先训练视频VAE，然后使用三阶段的粗到细训练策略将DiT模型适应新的VAE。

视频VAE

MagViT：使用Adam优化器，beta=(0.5, 0.9)，学习率为1e-4进行训练，总共训练了350k步。总批量大小为128。

Slice VAE：从前述的MagViT初始化Slice VAE的权重。如下图4所示，Slice VAE分两阶段训练。首先，我们在200k步内训练整个VAE，使用Adam优化器，beta=(0.5, 0.9)，批量大小为96，学习率为1e-4。接下来，按照Stable Diffusion（Rombach et al., 2021）的程序，在第二阶段仅训练解码器100k步，以更好地提高解码视频的保真度。

视频Diffsuion Transformer

如下图5所示，DiT模型的训练分为三个阶段。首先，在引入新的视频VAE后，我们通过仅使用图像数据来对齐DiT参数与该VAE。随后，我们使用大规模视频数据集与图像数据一起预训练运动模块，从而为DiT引入视频生成能力。使用桶策略（bucket strategy）来训练不同分辨率的视频。在这个阶段，尽管模型能够生成具有基本运动的视频，但输出往往质量不佳，表现为运动有限和清晰度欠佳。最后，我们使用高质量的视频数据精细调整整个DiT模型，以提高其生成性能。模型从较低分辨率逐渐扩展到较高分辨率进行训练，这是一种有效的策略，可以节省GPU内存并减少计算时间。

实验

目前已经在GitHub仓库中发布了检查点。您可以在以下地址查看生成结果并尝试使用EasyAnimate：https://github.com/aigc-apps/EasyAnimate。

结论

本文介绍了EasyAnimate，这是一种基于变压器架构的高性能AI视频生成和训练管道。基于DiT框架，EasyAnimate集成了运动模块，以确保一致的帧生成和流畅的运动过渡。该模型能够在训练和推理过程中适应不同的帧数和分辨率组合，适用于生成图像和视频。

参考文献

[1] EasyAnimate: A High-Performance Long Video Generation Method based on Transformer Architecture
[2]magvit: https://github.com/google-research/magvit
[3]PixArt: https://github.com/PixArt-alpha/PixArt-alpha
[4]Open-Sora-Plan: https://github.com/PKU-YuanGroup/Open-Sora-Plan
[5]Open-Sora: https://github.com/hpcaitech/Open-Sora
[6]Animatediff: https://github.com/guoyww/AnimateDiff