夕小瑶科技说 原创
作者 | Axe_越
天下武功唯快不破—— 火云邪神
前一段时间，想必大家都有被各种文生视频给刷屏，但当看完之后，不知道大家是否都有一种意犹未尽的感觉：“这也太短了吧，我还没看够呢”。受限于机器资源与生成效率，目前大部分文生视频确实只能做到几秒，就更不用说像灭霸的“现实”无限宝石一样，言出法随，即可幻化出永久的虚拟现实场景。
但就在最近，来自新加坡国立大学的团队推出了他们的新作“Video-Infinity”（无限视频），呈百倍数量级地提高了视频生成的效率，或许有一天，根据一段话就能生成一整部电影，真的可以成为现实？
论文标题:
Video-Infinity: Distributed Long Video Generation
论文链接:
https://arxiv.org/pdf/2406.16260
随着数据驱动的生成模型的兴起，人们在数字系统中复制现实世界动态的能力得到了显著提升。这些模型能够创造出高度逼真的图像和视频，与现实难以区分。然而，尽管这些生成模型在图像合成领域取得了巨大成功，它们在视频生成方面的表现却常常受限于生成的视频片段过短，大多数模型仅能生成16到24帧的短视频片段，有些模型虽然能扩展到60或120帧，但往往以牺牲分辨率和视觉质量为代价。
生成长视频面临着模型训练和推理所需的巨大资源需求，现有模型由于资源限制，通常只能处理较短的视频片段，难以在更长的序列中保持质量。此外，一次性生成长达一分钟的视频可能会超出GPU的内存容量，使得这一任务显得遥不可及。现有的解决方案，包括自回归、分层以及由短到长的方法，虽然提供了部分补救措施，但它们存在显著的局限性。自回归方法按顺序生成帧，依赖于前面的帧；分层方法先创建关键帧，然后填充过渡帧；还有一些方法将长视频视为多个重叠的短视频片段。这些方法并非端到端的，常常缺乏全局连续性，需要在重叠区域进行大量计算，并且在片段间的一致性上存在挑战。
扩散模型通过逐步去噪潜在表示来生成视频，其中潜在表示由初始的高斯噪声张量开始，通过一系列逆变换学习去除噪声，直到生成清晰的视频帧。这个过程涉及到从时间维度的到逐步更新潜在张量，其中每个步骤都包括计算给定潜在状态的噪声预测。
扩散模型可以采用不同的架构实现，例如U-Net或DiT，这些模型通常由多个相似的层组成。在这些层中，空间模块处理每个视频帧内的空间特征，而时间模块则捕捉特定空间位置的帧之间的时间依赖性。具体来说，初始的随机噪声张量被写为具有一定帧数F、帧高H、帧宽W和通道数C的张量。在层级结构中，潜在张量保持一致的形状，尽管由于U-Net架构中的下采样和上采样操作，H'、W'和C‘的维度可能会有所变化。
Video-Infinity将噪声的潜在表示分割成个子潜在片段，其中每个片段包含帧，F是整个视频的帧数，N是时间和片段的总数。这种结构化的分割不仅有助于在N个设备之间均匀分配负载，而且由于视频扩散模型的空间模块在帧之间独立操作，消除了设备间通信的需求，同时在不同设备上保持了输出的一致性。
片段并行(Clip parallelism)首先涉及将视频潜在表示分割成多个子潜在片段，每个片段分配给不同的GPU设备。在标准的扩散模型中，时间模块负责聚合跨帧的特征，但在Video-Infinity中，输入特征张量被划分为多个片段，并在多个设备上分布式处理。为了实现这一点，时间模块被重新定义，以考虑当前片段以及来自相邻片段和全局语义的上下文信息。
具体来说，时间模块的输出Uout仅基于当前片段Vin还结合了来自前一个设Cpre和后一个设备Cpost时间信息，以及从所有设备聚合的全局上下文Cglobal这种设计允许每个设备在进行局部计算的同时，通过上下文输入增强其计算结果，从而保持视频内容在时间上的连贯性。
为了高效地在设备间通信这些上下文组件，采用了一个三阶段的同步过程。在第一阶段，所有设备通过all_gather()操作共享其全局上下文，确保全局一致性。接下来的两个阶段专注于交换相邻设备之间的上下文信息。由于连接限制，采用了一种交错策略，即奇数编号的设备向前发送其前一个片段的上下文，而偶数编号的设备向后发送其后一个片段的上下文。在第三阶段，这一模式反转，确保所有设备都能接收到所需的全部上下文信息，从而完成上下文同步。
通过片段并行性，Video-Infinity能够在不牺牲视频质量的前提下，显著提高长视频的生成速度。这种方法不仅优化了跨GPU的上下文信息共享，而且通过并行处理减少了内存开销，使得生成长达2300帧的视频成为可能，这在以往的方法中是难以想象的。片段并行性的实现，为分布式长视频生成提供了一个高效且可扩展的解决方案。
在视频扩散模型中通常包含三种时间模块：注意力模块（Attention()）、卷积模块（Conv()）和分组归一化模块（GroupNorm()）。这些模块在Clip parallelism中被特别定制，以便在多个设备上实现分布式处理，从而有效同步视频内容。
对于注意力模块，本文提出了双域注意力机制，它通过修改K-V（键-值）对的计算来整合局部和全局上下文。每个查询token从帧中获取，其对应的键和值由来自帧集的token计算得出，其中包括了局部上下文和全局上下文。局部上下文包括了帧的邻近帧，这些帧用于捕捉局部上下文并增强时间连贯性。而全局上下文则由所有设备上的视频均匀采样得到的帧组成，提供了更广泛范围的键-值，使模型能够访问到长距离信息。
在实现Clip parallelism时，这种重新定义的注意力显著降低了通信开销。与收集所有长度为F的token相比，只需要同步一个固定数量的token。具体来说，通过设置和，并且将和都配置为16，这样在减少数据同步需求的同时，仍然能够捕获到必要的局部和全局信息。
对于卷积模块，它沿着时间维度对输入Vin进行卷积操作。在Clip parallelism中，卷积模块的上下文Ci，它们被填充到原始序列中。Cpre由Vin最后n帧组成，而Cpost 由Vn的最初n帧组成，其中n是卷积的感受野大小。
分组归一化模块用于在视频扩散模型中对输入张量Vin进行归一化，以保持不同帧之间的一致性特征缩放。在Clip parallelism中，每个设备首先计算其相应视频片段的组均值μ然后，这些均值被聚合以计算全局均值，接着每个设备使用这个全局均值计算其标准差，进而计算全局标准差。全局均值和标准差作为
本文选择了VideoCrafter2作为基础模型，这是一个在16帧视频上训练的文生视频模型，以其生成高质量且连贯的视频片段能力而著称。VBench作为一个全面的视频评估工具，提供了跨越多个视频维度的广泛指标。为了评估不同方法生成的视频，作者使用了VBench提供的各种提示来生成视频，并根据视频质量类别下的指标进行评估，包括主题一致性、背景一致性、时间闪烁、运动平滑度、动态度、美学质量和成像质量。
在基线=方面，本文选择了几种其他方法，包括FreeNoise和Streaming T2V，这些方法都能够生成长视频，但各有其特点和限制。FreeNoise是一个无需训练即可使用的方法，它使用重新调度的噪声序列和基于窗口的注意力融合来生成长视频。Streaming T2V则是一个需要训练新模型的方法，它采用自回归方法来生成长视频，并且能够生成超过1000帧的视频。
在实现细节方面，本文保持了与VideoCrafter2原始推理设置一致的所有扩散参数，并将去噪步骤设置为30。实验在8个Nvidia 6000 Ada GPU（每个具有48G内存）上进行。为了在Clip parallelism中实现时间模块，本文使用了torch.distributed工具包，并采用Nvidia的NCCL作为后端来促进高效的GPU间通信。此外，所有视频的帧率设置为24帧/秒，分辨率设置为512×320。值得注意的是，Streaming T2V的分辨率无法修改，因此其生成的视频分别以默认分辨率（预览视频为256×256，最终视频为720×720）生成。
实验结果显示，Video-Infinity在生成128帧和1024帧视频时，不仅生成的视频长度最长，而且生成速度也是最快的。特别地，在生成1024帧视频时，Video-Infinity的速度比Streaming T2V快了100倍以上，即使与Streaming T2V生成较小分辨率预览视频的速度相比，Video-Infinity也快了16倍。
此外，本文还展示了使用相同提示生成的样本视频帧图像，并在VBench上对不同方法生成的视频进行了质量评估。与FreeNoise和Streaming T2V等其他方法相比，Video-Infinity生成的视频在多数指标上表现更好，尤其是在动态度和运动平滑度方面。
在消融研究中，本文展示了不同上下文同步对生成视频质量的影响。消融实验包括移除ResNet模块和Attention模块之间的通信，以及移除Attention模块中的全局上下文和局部上下文。这些实验的结果表明，全局和局部上下文的同步对于保持视频的视觉连贯性和一致性至关重要。
本文最大的贡献在于大幅提高了视频生成的效率，同时让长视频的生成也成为了可能。对于大多数计算资源有限的机构来说，具有相当的价值；而高质量的长视频，也让文生视频具备了更多商业化的可能。试想，如果仅通过一段描述就能生成30-60秒有吸引力的广告或游戏CG，那或许将很大程度上颠覆当前的视频创作生态，当然，更进一步就是生成短剧、乃至电影了（无限遐想中）
当然，尽管Video-Infinity在长视频生成方面取得了显著进展，但它也有其局限性。该方法依赖于多个GPU，并且在处理涉及场景转换的视频生成时效果不佳。未来工作可能会集中在优化算法以适应更广泛的硬件配置上面，并提高对场景转换的处理能力。此外，如果能将这种技术应用于更多样化的视频内容和风格，并进一步提高生成视频的分辨率和质量，可期还将为该技术带来更加诱人的落地应用价值。
