【生成式人工智能-十二-影像生成原理】

前段时间sora生成的视频爆火，下面是它生成视频的一个截图，它不仅可以生成日常见到的，甚至可以创造出图像出来，虽然视频中有瑕疵，但不影响其立体震撼的效果。

影像生成的应用

• 影像生成影像
  可以输入一段影像，让模型生成剩下的一部分

• 风格转换
  输入一段影像，让模型转换一下视频风格

• 视频质量提升
  一段不清晰的影像，把画质提升

• 音频+图片 talking head
  目前比较常用的应用，给他一段音频，给他一个图像，就会配合语音且嘴型会变化的talking head
  
  Paper: https://arxiv.org/abs/2403.17694
  免费的Demo: https://huggingface.co/spaces/ZJYang/AniPortrait_official

• 文字生成影像
  给一段描述，生成一张图片，图片是由像素构成，像素越多，越清晰。10241024个像素比肯定比1616描述的同一张图片清晰的多
  给一段描述，生成一段视频，实际上视频是由图片构成的，视频中的图片，叫做帧，每秒内包含的帧数叫FPS，通常FPS在24以上才会清晰流畅一些，游戏通常就需要更高的FPS

影像 是怎么生成的

图片生成图片：

图片比文字来说信息量很大，所以需要先切分成一小块 一小块（也叫一个patch）的，然后把这些块输入到编码器进行压缩，最终生成压缩后的向量，然后拉伸成一排向量后，输入给解码器，解码器再生成图片

影像生成影像

影片相对于图片，是进行更多的压缩，比如把时间上相邻的图片，切成一个块，然后进行压缩，然后这一段时长的影片，通过encoder压缩，最后拉伸成一排向量后，输入给解码器，解码器生成视频，下面图片摘自sora的论文：

文字生成图片

描述一段文字，生成一张图片。有个大规模的资料集 LAION ，包括文字叙述和对应的图片，可以用来作为训练数据。

按照文字AT的方式生成

AT就是AutoRegressive 的方式，也就是类似文字生成方式，生成一块图片之后，要把这块作为输入一起生成下一个图片块（patch）

NAT

也就是Non-AutoRegressive的方式，毕竟图片处理量不比文字，所以实际上上面生成的时候，一次性生成多个输出，并行操作。

也就是说位置p1等所有的位置的patch 同时生成出来，因为内部可以用attention，所以可以记住一些关联信息，当然这还完全不够。

文字生成视频

视频就是由图片组成的，所以按照道理来说，我们就按照上面生成图片的方法，生成多个图片不就行了？

当然不会有这么简单，下文会介绍文字生成视频的难点

怎么评价影像生成的好坏

引入CLIP模型

clip这个模型的训练，就是从大量的资料中训练的开源模型，如果描述和图片相符就给高分，相反就给低分。所以CLIP模型用来评价模型生成的好坏。

文字生成图片的难点

一张图的描述可能用很多种方式来描述，所以要生成你脑中一模一样的图片就很难。但是有一种解决方式就是，你上传图片给模型，告诉模型这张图片用s表示（注意找一个不常用的标识），然后每次生成就告诉它，按照s的方式生成图片，比如按照s的坐姿，画一张s的油画等等

文字生成视频的难点

按照生成图片的方式生成视频的难点在哪里呢？
假设视频 1s 24帧，一帧有64*64个patch块，一分钟的视频就有1440帧，600万个patch块，因为每个patch块要做attention，也就是600万的平方，也就是36兆次，运算量实在是太大了

解决办法

减少attention数目

600万个patch不一定都有会关系，我们就减少attention的数量：比如只关注临近的patch的attention，只考虑空间的attention（attention的次数就变成了64641440帧 约240亿），或者只考虑时间的attention（1440144064*64 约85亿次），或者空间和时间的attention

分迭代生成

我们不要一次都生成全部生成，分多次生成，逐步提高frame，清晰度等等，感兴趣的可以看看google公开的Imagen Video 的论文