【论文阅读】MAKE-A-VIDEO: TEXT-TO-VIDEO GENERATION WITHOUT TEXT-VIDEO DATA

Make-a-video:没有文本-视频数据的文本-视频生成。

paper：

code：

ABSTRACT

优点:

(1)加速了T2V模型的训练(不需要从头开始学习视觉和多模态表示)，

(2)不需要配对的文本-视频数据，

(3)生成的视频继承了当今图像生成模型的庞大性)。

构建具有新颖有效时空模块的T2I模型。首先分解全时间U-Net和注意力张量，并在空间和时间上近似。其次，设计了一个时空pipeline，通过视频解码器、插值模型和两个超分辨率模型生成高分辨率和帧率的视频。
?

1 INTRODUCTION

用T2I模型学习文本和视觉世界之间的对应关系，并用无监督学习在无标记的视频数据上学习真实的运动。文本并不能完整描述视频的运动，Make a video可以对其进行推算，可以在无描述的情况下学习动作。

贡献：

• 利用联合文本-图像先验，绕过对配对文本-视频数据的需求，反过来能扩展到更大量的视频数据。
• 提出了空间和时间上的超分辨率策略，给定文本输入，生成高清高帧率的视频。
• 根据现有的T2V系统评估Make-A-Video，并提出:(a)定量和定性测量的最先进结果，以及(b)比现有T2V文献更彻底的评估。还收集了一套300个提示的测试集，用于zero-shot T2V评估。

2 PREVIOUS WORK

baseline：NUWA ，cogvideo，VDM。

在T2V生成中，NUWA 在多任务预训练阶段结合图像和视频数据集，以提高模型泛化的微调。

CogVideo使用预训练和固定的T2I模型进行T2V生成，只有少量可训练参数，以减少训练过程中的内存使用。但是固定的自编码器和T2I模型可能会限制T2V的生成。

VDM架构可以实现图像和视频的联合生成。然而，他们从随机视频中抽取随机的独立图像作为图像源，并且没有利用大量的文本-图像数据集。

3 METHOD

图2:Make-A-Video高级架构：1.给定由先验P翻译成图像嵌入的输入文本x和期望的帧率fps，解码器Dt生成16个 64 × 64大小的帧，2.然后通过F插值到更高的帧率。3.通过SRtl和SRh将分辨率增加到256 × 256和768 × 768，从而生成高时空分辨率的视频y^。

三个主要组成部分:

(i)基于文本-图像对训练的基本T2I模型(第3.1节)，

(ii)将网络构建块扩展到时间维度的时空卷积和注意层(第3.2节)，

(iii)由时空层组成的时空网络，以及T2V生成所需的另一个关键元素-用于高帧率生成的帧插值网络(第3.3节)。

y^t：生成的视频，SRh;SRl：空间和时空的超分辨率网络(第3.2节)，F：帧插值网络(第3.3节)，dt：时空解码器(第3.2节)，P：先验(第3.1节)，x^：bpe编码的文本，Cx：CLIP文本编码器， x：输入文本。?

3.1 TEXT-TO-IMAGE MODEL

训练该方法的主干:在文本-图像对上训练的T2I模型。

(i)先验网络P，在推理过程中生成给定的文本嵌入xe和BPE编码的文本token x^，

(ii)生成低分辨率64 × 64 RGB图像y^l的解码器网络D，以图像嵌入ye为条件，

(iii)两个超分辨率网络SRl,SRh，分别将生成的图像y^l分辨率增加到256 × 256和768 × 768像素，从而生成最终的图像y^。

3.2 SPATIOTEMPORAL LAYERS

为了将二维(2D)条件网络扩展到时间维度，本文修改了两个关键模块，(i)卷积层和(ii)注意力层。

其他层如全连接层，在添加额外维度时不需要特定的处理，因为它们与结构化的空间和时间信息无关。

在基于u - net的扩散网络中进行了时间上的修改:时空解码器Dt生成16个RGB帧，每个大小为64 × 64，新添加的帧插值网络F，通过在生成的16帧之间进行插值来增加有效帧率(如图2所示)，以及超分辨率网络SRtl。

图3:伪3d卷积层和注意力层的架构和初始化方案，使预训练的文本-图像模型无缝过渡到时间维度。(左)每个空间2D conv层之后都是一个时间1D conv层。(右)将时间投影初始化为零，在空间注意力层之后应用时间注意力层，产生时间注意力块的恒等函数。

3.2.1?PSEUDO-3D CONVOLUTIONAL LAYERS

伪3d卷积层。在每个2D卷积(conv)层之后堆叠一个1D卷积，如图3所示。这有助于空间轴和时间轴之间的信息共享，而没有3D转换层的沉重计算负荷。

此外，它在预训练的2D转换层和新初始化的1D转换层之间创建了一个具体的分区，允许从头开始训练时间卷积，同时在空间卷积的权重中保留以前学习的空间知识。

给定一个输入张量h∈B×C×F ×H×W，其中B, C, F, h, W分别是批次，通道，帧，高度和宽度尺寸，伪3D卷积层定义为

转置算子?T在空间和时间维度之间进行互换。对于平滑初始化，虽然Conv1D层是从预训练的T2I模型初始化，但Conv1D层被初始化为恒等函数，从而实现从训练仅空间层到时空层的无缝过渡。

初始化时，网络生成K个不同的图像(随机噪声)，每个图像仅对应输入文本，缺乏时间一致性。

代码解析:
定义一个2D的卷积
定义一个1D的卷积
用dirac初识它
temporal的卷积层变成identity function

空间卷积，每帧都是独立的，所以【BF,C,H,W】
时间卷积是ID的卷积在不同的帧上，所以把帧f放在最后一堆，CHW放到Batch上

参考：【论文精读】MAKE-A-VIDEO:TEXT-TO-VIDEO GENERATION WITHOUT TEXT-VIDEO DATA-CSDN博客

3.2.2 PSEUDO-3D ATTENTION LAYERS

T2I网络的一个关键组成部分是注意力层，除了自关注提取的特征外，文本信息与其他相关信息(如扩散时间步长)一起被注入到几个网络层次中。我们也将维度分解策略扩展到注意层。在每个空间注意层后，叠加一个时间注意层。输入张量h，将flatten定义为一个矩阵算子，它将空间维度平坦化为h ∈ B × C×F × H × W。

将空间上的attention扩展到了时间维度。伪3D注意层定义为:

与卷积层3D类似，为了允许平滑的时空初始化，注意力2D层从预训练的T2I模型初始化，注意力1D层初始化为恒等函数。

帧率调节。添加了一个额外的条件参数fps，表示生成视频中的每秒帧数。对每秒帧数的变化进行调节，使额外的增强方法能够在训练时处理有限数量的可用视频，并在推理时对生成的视频提供额外的控制。

代码解析:
以前是HW上做attenrion，现在在f上加了一层attention
实现在时间上做信息交互。
attention函数：
初始化空间上的attetion
初始化时间上的attention
进入维度的tensor
将空间维度展开。

为什么用伪？这样参数量小。3D参数量太大了。

在VDM和CogVideo上都有。

Frame rate conditioning（帧速率调节）

损失函数：混合模型 hybrid loss
MSE+KLD
原文链接：https://blog.csdn.net/m0_60634555/article/details/129714795

3.3 FRAME INTERPOLATION NETWORK

帧插值网络。输入到unit里，不再是三个channel，而是四个channel。然后多了一个binary channel去判断该帧是否是被mask的。中间插帧的帧数是可变的。

3.4 TRAINING

Make-A-Video每一个部分都是单独训练的。

prior网络只接受输入，只在文本-图像对上训练，类似于DALLE-2的训练方式
decoder网络和超分网络，首先在图像上做训练，不需要文本。需要注意的是，这个解码器接收CLIP decoder解码器作为输入。用CLIP magen enbedding做输入。

在原模型训练好后，我们需要扩充temporal的维度。扩展完后，我们需要在未标记的video上做fine-turn。我们需要做16张从原始数据上的采样。训完后再训插帧网络。
?

4 EXPERIMENTS

表1:MSR-VTT对T2V生成的评价。zero-shot即没在MSR-VTT上训练。样本/输入：为每个输入生成多少样本。

?

5 DISCUSSION

用无监督学习更多的视频有助于摆脱对标记数据的依赖。本文工作表明，标记图像与未标记视频片段有效结合可以实现这一目标。

限制。该方法无法学习只能在视频中推断的文本和现象之间的关联。如何将这些结合起来(例如，生成一个人从左到右或从右到左挥手的视频)，以及生成具有多个场景和事件的较长视频，描述更详细的故事，留给未来的工作。

?