有這樣一個(gè)模型。

它可以做到一句話生成視頻：

不僅零樣本就能搞定，性能還直達(dá)SOTA。

它的名字，叫“NüWA”（女媧）。

“女媧女媧，神通廣大”，正如其名，一句話生成視頻只是這個(gè)模型的技能之一。

除此之外，一句話生成圖片，草圖生成圖像、視頻，圖像補(bǔ)全，視頻預(yù)測，圖像編輯、視頻編輯——

一共八種視覺任務(wù)，它其實(shí)全部都能搞定。

完全是一位不折不扣的“全能型選手”。

它，就是由微軟亞研院和北大聯(lián)合打造的一個(gè)多模態(tài)預(yù)訓(xùn)練模型，在首屆微軟峰會(huì)上亮相。

目前，在推特上已“小有熱度”。

八項(xiàng)全能“女媧”，單拎出來也不差

所以這個(gè)全能型選手究竟表現(xiàn)如何？

直接與SOTA模型對比，來看看“她”在各項(xiàng)任務(wù)上的表現(xiàn)。

在文本生成圖像中，不得不說，即使“女媧”的FID-0得分不及XMC-GAN，但在實(shí)際效果中，“女媧”生成的圖肉眼可見的更好，清晰又逼真。

文本到視頻中，“女媧”每一項(xiàng)指標(biāo)都獲得了第一名，從逐幀圖片來看，差距很明顯。

在視頻預(yù)測中，所有模型使用64x64的分辨率，Cond.代表供預(yù)測的幀數(shù)。

盡管只有1幀，“女媧”也將FVD得分從94±2降到86.9。

草圖轉(zhuǎn)圖像時(shí)，與SOTA模型相比，“女媧”生成的卡車都更逼真。

而在零樣本的圖像補(bǔ)全任務(wù)中，“女媧”擁有更豐富的“想象力”。

在零樣本的圖像編輯任務(wù)中，“女媧”明顯比SOTA模型的“P圖”能力更強(qiáng)。

并且，它的另一個(gè)優(yōu)勢是推理速度，幾乎50秒就可以生成一個(gè)圖像；而Paint By Word在推理過程中需要額外的訓(xùn)練，大約需要300秒才能收斂。

而草圖生成視頻以及文本引導(dǎo)的視頻編輯任務(wù)，是本次研究首次提出，目前還沒有可比對象。

直接上效果：

看，像上面這些僅用色塊勾勒輪廓的視頻草圖，經(jīng)“女媧”之手就能生成相應(yīng)視頻。

而輸入一段潛水視頻，“女媧”也能在文本指導(dǎo)下讓潛水員浮出水面、繼續(xù)下潛，甚至“游”到天上。

可以說，“女媧”不僅技能多，哪個(gè)單項(xiàng)拿出來也完全不賴。

如何實(shí)現(xiàn)？

這樣一個(gè)無論操作對象是圖像還是視頻，無論是合成新的、還是在已有素材上改造都能做到做好的“女媧”，是如何被打造出來的呢？

其實(shí)不難，把文字、圖像、視頻分別看做一維、二維、三維數(shù)據(jù)，分別對應(yīng)3個(gè)以它們?yōu)檩斎氲木幋a器。

另外預(yù)訓(xùn)練好一個(gè)處理圖像與視頻數(shù)據(jù)的3D解碼器。

兩者配合就獲得了以上各種能力。

其中，對于圖像補(bǔ)全、視頻預(yù)測、圖像視頻編輯任務(wù)，輸入的部分圖像或視頻直接饋送給解碼器。

而編碼解碼器都是基于一個(gè)3D Nearby的自注意力機(jī)制（3DNA）建立的，該機(jī)制可以同時(shí)考慮空間和時(shí)間軸的上局部特性，定義如下：

W表示可學(xué)習(xí)的權(quán)重，X和C分別代表文本、圖像、視頻數(shù)據(jù)的3D表示：

其中，h和w表示空間軸上的token數(shù)，s表時(shí)間軸上的token數(shù)（文本默認(rèn)為1），d表示每個(gè)token的維數(shù)。

如果C=X，3DNA表示對目標(biāo)X的自注意；如果C≠X，3DNA表示對在條件C下目標(biāo)X的交叉注意。

該機(jī)制不僅可以降低模型的計(jì)算復(fù)雜度，還能提高生成結(jié)果的質(zhì)量。

此外，模型還使用VQ-GAN替代VQ-VAE進(jìn)行視覺tokenization，這也讓生成效果好上加好。

團(tuán)隊(duì)介紹：

一作Chenfei Wu，北京郵電大學(xué)博士畢業(yè)，現(xiàn)工作于微軟亞研院。

共同一作Jian Liang， 來自北京大學(xué)。

其余作者包括微軟亞研院的高級(jí)研究員Lei Ji，首席研究員Fan Yang，合作首席科學(xué)家Daxin Jiang，以及北大副教授方躍堅(jiān)。

通訊作者為微軟亞研院的高級(jí)研究員&研究經(jīng)理段楠。

關(guān)鍵詞： 女媧 圖像 模型 視頻 token 文本 微軟 解碼器 草圖 sota