• 我的订阅
  • 科技

字节版Sora火爆24小时,同名论文再次被热议

类别:科技 发布时间:2024-09-26 13:41:00 来源:量子位

“不需要再等OpenAI的鸽王Sora了”。‍

字节版Sora终于来了,这一次还憋了个大的——

一口气推出Seaweed和PixelDance两款豆包视频模型,支持文生/图生视频,时长可达10s。

以PixelDance为例,其最大特色在于多主体交互,一致性多镜头生成。

啥意思??——直接来看几个官方demo。

First kill,现在手上有这样一张原图:

若使用当前大多视频模型,一般只能进行到“摘墨镜”这个环节;而PixelDance能解锁时序性多拍动作指令。(摘完墨镜还能站起来,并走向雕像)

还有类似电视剧的飙戏名场面(多个主体),各自眼神、动作,一整个拿捏。

Double kill,饱受吐槽的PPT动画有新解了。PixelDance拥有变焦、环绕、平摇、缩放、目标跟随等多镜头话语言能力。

提示词:一名亚洲男子带着护目镜游泳,身后是另一名穿潜水服的男子

关键来了,在一致性方面,PixelDance号称能10秒讲述完整故事。

说人话就是,在一句提示词内,实现多个镜头切换,同时保持主体、风格和氛围的一致性。

提示词:一个女孩儿从汽车上下来,远处是夕阳

提示词:水墨风格的鸟,比例16:9

小结一下,字节版Sora这次主打多主体交互、酷炫运镜、一致性多镜头以及多风格比例。

发布会一结束,网友们的期待值也是拉满了,嗷嗷待哺内测资格!

字节版Sora火爆24小时,同名论文再次被热议

字节版Sora火爆24小时,同名论文再次被热议

字节版Sora火爆24小时,同名论文再次被热议

与此同时,字节研究团队一篇PixelDance同名论文,也被扒了出来,再次引发热议。‍‍‍

字节版Sora火爆24小时,同名论文再次被热议

背后论文揭示「PixelDance」原型‍‍

字节团队此前入选CVPR 2024的论文,就提出了名为一种PixelDance的模型。‍

字节版Sora火爆24小时,同名论文再次被热议

先划重点,团队采用的方法可以概括为:

基于潜在扩散模型,结合视频片段的首帧和尾帧图像指令与文本指令进行视频生成,并有效利用公开视频数据进行训练。

首先,团队采用广泛使用的2D UNet作为扩散模型,该模型由一系列空间下采样层和一系列空间上采样层构建,并插入了跳跃连接。

具体来说,它由两个基本模块构建,即2D卷积模块和2D注意力模块。

通过插入时间层将2D UNet 扩展为3D变体,其中在2D卷积层之后插入1D时间卷积层,2D注意力层之后插入1D时间注意力层。

模型可以通过图像和视频联合训练,在空间维度上保持高保真生成能力。

不过对于图像输入,1D时间操作被禁用。团队在所有时间注意力层中使用双向自注意力。

字节版Sora火爆24小时,同名论文再次被热议

其次是指令注入。具体来说,PixelDance基于

文本指令源于使用详细的文本注释以精确描述视频的帧和动作 首帧图像指令描述了视频片段的主要场景 尾帧图像指令(在训练和推理过程中可选使用)描绘了视频片段的结尾,并提供了额外的控制

字节版Sora火爆24小时,同名论文再次被热议

这里要插一句,与文本指令相比,图像指令更加直接且易于获取——使用真实视频帧作为训练中的图像指令。

据了解,文本指令由预训练的文本编码器编码,并通过交叉注意力融入扩散模型。

图像指令由预训练的VAE编码器编码,并与受扰的视频潜变量或高斯噪声一起作为扩散模型的输入。

在训练过程中,团队使用(真实的)首帧指令来强制模型严格遵循该指令,从而保持连续视频片段之间的一致性。

当然了,PixelDance独特之处在于使用尾帧指令的方式。

简单说,团队有意避免让模型完全复制尾帧指令,因为在推理过程中提供一个完美的尾帧是很困难的,模型应该能够处理用户提供的粗略草稿,并作为指导。

字节版Sora火爆24小时,同名论文再次被热议

为了实现这一点,团队开发了三项技术:

1、在训练过程中,尾帧指令是从视频片段的最后三帧(真实的)中随机选择的。2、向指令中引入了噪声,以减少对指令的依赖性并提高模型的鲁棒性。3、在训练中以一定概率(例如 25%)随机丢弃尾帧指令。

相应地,团队提出了一种简单但有效的推理策略。

概括起来就是,在前τ次去噪步骤中,利用尾帧指令引导视频生成朝向期望的结束状态。

在剩余的步骤中,指令被丢弃,允许模型生成时间上更连贯的视频。

通过调整τ,可以控制尾帧指令对生成结果的影响。

字节版Sora火爆24小时,同名论文再次被热议

接下来,团队在WebVid-10M数据集上训练了视频扩散模型,该数据集包含大约1000万个短视频片段——

平均时长为18秒,分辨率通常为336 × 596,且每个视频都附有与视频内容松散相关的文本描述。

不过WebVid-10M存在一个问题,即所有视频上都带有水印,这导致生成的视频中也会包含水印。

因此,团队将训练数据扩展为另外自收集的50万个无水印视频片段,它们包含真实世界的实体,如人类、动物、物体和风景,并附有粗粒度的文本描述。

尽管这一额外数据集只占了很小比例,但团队惊讶地发现:

将该数据集与WebVid-10M结合训练后,如果图像指令没有水印,PixelDance就能够生成无水印的视频。

最终,PixelDance在视频-文本数据集和图像-文本数据集上进行联合训练。

对于视频数据,从每个视频中随机采样16个连续帧,每秒4帧。

此外,按照之前的工作,采用LAION-400M作为图像-文本数据集;每8次训练迭代使用一次图像-文本数据。

字节版Sora火爆24小时,同名论文再次被热议

自论文发布之后,到产品上线这段时间具体又做了哪些改进,目前还不得而知。

由于刚发布,目前只能简单看到官方提及:

字节版Sora火爆24小时,同名论文再次被热议

感兴趣的话可以亲自上手试一试来感受一下,目前豆包视频模型已在火山引擎开启企业用户的邀请测试;个人用户可在字节旗下的即梦AI申请内测。

官方声称,未来将逐步开放给所有用户。

那么,你期待这次的字节版sora吗?

以上内容为资讯信息快照,由td.fyun.cc爬虫进行采集并收录,本站未对信息做任何修改,信息内容不代表本站立场。

快照生成时间:2024-09-26 14:45:10

本站信息快照查询为非营利公共服务,如有侵权请联系我们进行删除。

信息原文地址:

东信和平申请字节码指令执行专利,提升字节码指令的执行效率
...局信息显示,东信和平科技股份有限公司申请一项名为“字节码指令执行方法、虚拟机、设备、介质”的专利,公开号CN119938219A,申请日期为2024年12月。专利摘要显示,本
2025-05-10 09:55:00
OpenAI直播第二弹!奥特曼2024年最大惊喜竟来自字节?强化微调让o1-mini逆袭o1
...称为「2024年我最大的惊喜」的技术,技术路线竟和来自字节跳动之前公开发表的强化微调研究思路相同。OpenAI 12天连播的第二弹
2024-12-09 09:53:00
被字节起诉索赔 800 万的实习生拿下 NeurIPS 2024 最佳论文
...,人工智能领域顶级学术会议NIPS2024最佳论文近日出炉,字节跳动"破坏大模型训练"的前实习生田某某与字节合作论文被人工智能顶级会议NeurIPS评为最佳论文(BestPaper)
2024-12-04 21:05:00
被字节索赔800万的实习生:拿下NeurIPS 2024最佳论文!
快科技12月4日消息,据媒体报道,因恶意攻击字节训练集群,而被起诉赔偿侵权损失800万元及合理支出2万元,并公开赔礼道歉的实习生田某某,获得了NeurIPS 2024的最佳论文奖
2024-12-04 15:08:00
豆包“王炸”:字节跳动一天发布两款视频生成大模型
字节跳动正式宣告进军AI视频生成。9月24日,字节跳动旗下火山引擎在深圳举办AI创新巡展,一举发布了豆包视频生成-PixelDance
2024-09-24 18:15:00
惊掉下巴!被字节起诉800万实习生,拿下NeurIPS 2024最佳论文
【新智元导读】太戏剧了!攻击字节训练集群的实习生,居然刚刚获得了NeurIPS 2024最佳论文奖?虽然看起来像爽文剧情,但这位高材生接下来的路,应该是难走了。刚刚,恶意攻击字节
2024-12-05 09:47:00
北大字节VAR最佳论文、厦大清华亚军,NeurIPS 2024最佳论文出炉
...)。一共有两篇论文获得最佳论文奖:一是由北京大学、字节跳动研究者共同完成的《Visual Autoregressive Modeling: Scalable Image Ge
2024-12-05 09:47:00
火山引擎丢出视频大模型「王炸」,云厂商从「价格战」回归「卷性能」
...打开更多场景。自今年 2 月 Sora 面世以来,很多人都期待字节的动作。拥有抖音和剪映这两个最强的视频 App 在手
2024-09-26 13:33:00
突破视频多模态大模型瓶颈!「合成数据」立大功,项目已开源
...的工作想要分享,欢迎投稿或者联系报道。本文作者来自字节跳动,南洋理工大学 S-Lab 和北京邮电大学。其中第一作者为南洋理工大学 S-Lab 的博士生 Yuanhan Zhang (https://zhangyuanhan-ai
2024-10-22 09:54:00
更多关于科技的资讯:
智造世界 创造美好丨破解“池州芯”检测痛点 池州平天湖半导体产业研究院加速建设
大皖新闻讯 近日,安徽省人大代表、安徽钜芯半导体科技有限公司董事长曹孙根透露,作为池州半导体产业的“共性服务平台”,池州市平天湖半导体产业研究院今年7月已正式取得运营资质
2025-09-17 13:22:00
凭借技术突破、链式崛起和全球布局,泉州洛江推动机械装备产业链实现年产值超百亿元一个百亿产业集群的三级跃迁东南网9月17日讯(福建日报记者 黄琼芬 何金 通讯员 叶金玉)近日
2025-09-17 13:24:00
从AI开发提效到游戏全球出海,腾讯云升级全新游戏行业全生命周期方案
9月16日,2025腾讯全球数字生态大会在深圳国际会展中心举办。游戏专场上,腾讯云正式发布全新升级的游戏全生命周期解决方案
2025-09-17 13:54:00
3・15金秋购物节启幕!海尔智家以“ 三好” 助力安心焕新
为大力提振消费,全方位扩大国内需求,扎实推进优化消费环境三年行动,共筑满意消费,增强人民群众在消费生活中的获得感、幸福感
2025-09-17 11:40:00
鲁网9月17日讯万物互联,信息化浪潮奔涌。在数字化转型的过程中,工业互联网平台发挥着中枢神经般的重要作用。企业生产过程的数字化管理
2025-09-17 10:40:00
王涵为了准确识别由AI生成的内容并防止其被滥用,不少人建议用AI对抗AI,“AI溯源”技术应运而生。OpenAI宣布将推出一款工具
2025-09-17 10:52:00
360集团董事长周鸿祎:“超级员工” 是这样炼成的
周鸿祎(本报记者 林铭鸿 摄)厦门网讯 (厦门日报记者 刘艳)大模型相当于头脑,能说会道,能思考、能规划、能推理,但是没有手跟脚
2025-09-17 08:35:00
从高速增长到高质量发展:AI智习室的行业变革与挑战
从高速增长到高质量发展:AI智习室的行业变革与挑战在技术赋能教育的大背景下,AI智习室正成为连接传统教育与未来教育的重要桥梁
2025-09-17 09:03:00
烟台联通圆满完成2025莱州半程马拉松通信保障工作
9月14日,2025莱州半程马拉松正式鸣枪开跑,近5000名来自全国各地的跑步爱好者齐聚莱州,以奔跑感受城市风貌,用激情点燃赛事氛围
2025-09-17 08:06:00
手握101项专利,曜灵时代以创新引擎驱动临沂新能源产业升级
齐鲁晚报·齐鲁壹点 高松作为临沂新能源产业链的代表企业,曜灵时代积极践行绿色发展理念,不断创新和突破科学技术。目前,集团下设多个核心全资子公司
2025-09-17 08:08:00
南报网讯(记者孙琳通讯员焦娇李妍妍)9月15日,全国首个市级场景公共服务平台——“南京场景服务平台”正式上线。记者获悉
2025-09-17 07:45:00
□南京日报/紫金山新闻记者张安琪【实验室档案】新型显示与视觉感知石城实验室,由中央广播电视总台、南京市科技局、东南大学和鼓楼区于2022年8月开始合作共建
2025-09-17 07:45:00
南报网讯(记者曹丽珍)当《哈利·波特》系列电影中的魔法道具“隐身斗篷”有可能从银幕走向现实,如何为这种前沿科研保驾护航
2025-09-17 07:46:00
□南京日报/紫金山新闻记者张甜甜9月正值开学季,各大高校相继迎来新生报到。运满满司机申英良将刚刚收到的“云程奖学金”交到小儿子申宝凯手中——今年
2025-09-17 07:46:00
鹭江观察 | 人工智能+ 厦门加出了什么?
客商体验厦门绽优科技的AI+VR产品。厦门美图大楼展厅演示AI产品。(本组图/厦门日报记者 林铭鸿 摄)●2024年,厦门位列中国人工智能城市排行榜前10●截至去年底
2025-09-16 08:18:00