PyTorch实现Phenaki长视频AI生成技术
项目采用PyTorch框架,实现Phenaki视频生成技术。通过Mask GIT方法,能根据文本提示生成最长2分钟的视频。引入token critic技术以提升生成质量。提供简洁API,支持条件和无条件生成模式。包含完整训练与推理代码,适用于文本到图像和视频生成的相关研究。
<img src="https://yellow-cdn.veclightyear.com/ab5030c0/cf94b174-9b43-431a-b619-9f820483ba8f.png" width="450px"></img>
Pytorch版<a href="https://phenaki.video/">Phenaki Video</a>的实现,它使用<a href="https://arxiv.org/abs/2202.04200">Mask GIT</a>来生成长达2分钟的文本引导视频。它还将结合另一种涉及<a href="https://arxiv.org/abs/2209.04439">token critic</a>的技术,可能会产生更好的生成效果。
如果你有兴趣在开放环境中复现这项工作,请加入<a href="https://discord.gg/xBPBXfcFHd"><img alt="加入我们的Discord" src="https://img.shields.io/discord/823813159592001537?color=5865F2&logo=discord&logoColor=white"></a>
<a href="https://www.youtube.com/watch?v=RYLomvaPWa4">AI Coffeebreak解释</a>
感谢<a href="https://stability.ai/">Stability.ai</a>慷慨赞助,支持我们进行前沿人工智能研究
感谢<a href="https://huggingface.co/">🤗 Huggingface</a>提供出色的transformers和accelerate库
感谢<a href="https://github.com/gmegh">Guillem</a>持续的贡献
你?如果你是一位优秀的机器学习工程师和/或研究员,欢迎为开源生成式AI的前沿发展做出贡献
$ pip install phenaki-pytorch
C-ViViT
import torch from phenaki_pytorch import CViViT, CViViTTrainer cvivit = CViViT( dim = 512, codebook_size = 65536, image_size = 256, patch_size = 32, temporal_patch_size = 2, spatial_depth = 4, temporal_depth = 4, dim_head = 64, heads = 8 ).cuda() trainer = CViViTTrainer( cvivit, folder = '/path/to/images/or/videos', batch_size = 4, grad_accum_every = 4, train_on_images = False, # 你可以先在图像上训练,然后再在视频上微调,以提高采样效率 use_ema = False, # 建议开启(保持cvivit的指数移动平均),除非资源不足 num_train_steps = 10000 ) trainer.train() # 重建结果和检查点将定期保存到./results
Phenaki
import torch from phenaki_pytorch import CViViT, MaskGit, Phenaki cvivit = CViViT( dim = 512, codebook_size = 65536, image_size = (256, 128), # 允许矩形屏幕的视频 patch_size = 32, temporal_patch_size = 2, spatial_depth = 4, temporal_depth = 4, dim_head = 64, heads = 8 ) cvivit.load('/path/to/trained/cvivit.pt') maskgit = MaskGit( num_tokens = 5000, max_seq_len = 1024, dim = 512, dim_context = 768, depth = 6, ) phenaki = Phenaki( cvivit = cvivit, maskgit = maskgit ).cuda() videos = torch.randn(3, 3, 17, 256, 128).cuda() # (批次, 通道, 帧数, 高度, 宽度) mask = torch.ones((3, 17)).bool().cuda() # [可选] (批次, 帧数) - 允许在同一批次中共同训练不同长度的视频以及视频和图像 texts = [ '远处一头鲸鱼跃出水面', '小女孩吹灭生日蛋糕上的蜡烛', '蓝色和绿色火花的烟花' ] loss = phenaki(videos, texts = texts, video_frame_mask = mask) loss.backward() # 重复上述步骤多次,然后... video = phenaki.sample(texts = '一只松鼠检查一个橡子', num_frames = 17, cond_scale = 5.) # (1, 3, 17, 256, 128) # 在论文中,他们并没有真正实现2分钟的连贯视频 # 在每个有新文本条件的新场景中,他们基于前K帧进行条件设置 # 你可以轻松地使用这个框架实现这一点,如下所示 video_prime = video[:, :, -3:] # (1, 3, 3, 256, 128) # 假设 K = 3 video_next = phenaki.sample(texts = '一只猫从远处观察松鼠', prime_frames = video_prime, num_frames = 14) # (1, 3, 14, 256, 128) # 完整视频 entire_video = torch.cat((video, video_next), dim = 2) # (1, 3, 17 + 14, 256, 128) # 以此类推...
或者直接导入make_video
函数
# ... 上述代码 from phenaki_pytorch import make_video entire_video, scenes = make_video(phenaki, texts = [ '一只松鼠在雪中检查埋藏的橡子', '一只猫从结霜的窗台上观察松鼠', '镜头拉远,展示整个客厅,猫坐在窗台旁' ], num_frames = (17, 14, 14), prime_lengths = (5, 5)) entire_video.shape # (1, 3, 17 + 14 + 14 = 45, 256, 256) # scenes - List[Tensor[3]] - 每个场景的视频片段
就是这样!
一篇<a href="https://arxiv.org/abs/2209.04439">新论文</a>建议,与其依赖每个token的预测概率作为置信度的衡量,不如训练一个额外的评论者来决定在采样过程中迭代地掩蔽什么。你可以选择性地训练这个评论者,以获得可能更好的生成效果,如下所示:
import torch from phenaki_pytorch import CViViT, MaskGit, TokenCritic, Phenaki cvivit = CViViT( dim = 512, codebook_size = 65536, image_size = (256, 128), patch_size = 32, temporal_patch_size = 2, spatial_depth = 4, temporal_depth = 4, dim_head = 64, heads = 8 ) maskgit = MaskGit( num_tokens = 65536, max_seq_len = 1024, dim = 512, dim_context = 768, depth = 6, ) # (1) 定义评论者 critic = TokenCritic( num_tokens = 65536, max_seq_len = 1024, dim = 512, dim_context = 768, depth = 6, has_cross_attn = True ) trainer = Phenaki( maskgit = maskgit, cvivit = cvivit, critic = critic # 然后(2)将其传入Phenaki ).cuda() texts = [ '远处一头鲸鱼跃出水面', '年轻女孩吹灭生日蛋糕上的蜡烛', '蓝色和绿色火花的烟花' ] videos = torch.randn(3, 3, 3, 256, 128).cuda() # (批次, 通道数, 帧数, 高度, 宽度) loss = trainer(videos = videos, texts = texts) loss.backward()
或者更简单地,只需通过在初始化 Phenaki
时设置 self_token_critic = True
来重用 MaskGit
本身作为<a href="https://aclanthology.org/2021.naacl-main.409.pdf">自我评 论家 (Nijkamp et al)</a>
phenaki = Phenaki( ..., self_token_critic= True # 将此设置为True )
现在你的生成效果应该会大大改善!
该存储库还将努力让研究人员能够先在文本到图像上训练,然后再在文本到视频上训练。同样,对于无条件训练,研究人员应该能够首先在图像上训练,然后在视频上微调。以下是文本到视频的示例
import torch from torch.utils.data import Dataset from phenaki_pytorch import CViViT, MaskGit, Phenaki, PhenakiTrainer cvivit = CViViT( dim = 512, codebook_size = 65536, image_size = 256, patch_size = 32, temporal_patch_size = 2, spatial_depth = 4, temporal_depth = 4, dim_head = 64, heads = 8 ) cvivit.load('/path/to/trained/cvivit.pt') maskgit = MaskGit( num_tokens = 5000, max_seq_len = 1024, dim = 512, dim_context = 768, depth = 6, unconditional = False ) phenaki = Phenaki( cvivit = cvivit, maskgit = maskgit ).cuda() # 模拟文本视频数据集 # 你需要扩展你自己的数据集,并返回(<视频张量>, <标题>)元组 class MockTextVideoDataset(Dataset): def __init__( self, length = 100, image_size = 256, num_frames = 17 ): super().__init__() self.num_frames = num_frames self.image_size = image_size self.len = length def __len__(self): return self.len def __getitem__(self, idx): video = torch.randn(3, self.num_frames, self.image_size, self.image_size) caption = '视频标题' return video, caption dataset = MockTextVideoDataset() # 传入数据集 trainer = PhenakiTrainer( phenaki = phenaki, batch_size = 4, grad_accum_every = 4, train_on_images = False, # 如果你上面的模拟数据集返回(图像, 标题)对,将此设置为True dataset = dataset, # 在此处传入你的数据集 sample_texts_file_path = '/path/to/captions.txt' # 每个标题应该在新的一行,在采样期间会随机抽取 ) trainer.train()
无条件训练如下
例如 无条件图像和视频训练
import torch from phenaki_pytorch import CViViT, MaskGit, Phenaki, PhenakiTrainer cvivit = CViViT( dim = 512, codebook_size = 65536, image_size = 256, patch_size = 32, temporal_patch_size = 2, spatial_depth = 4, temporal_depth = 4, dim_head = 64, heads = 8 ) cvivit.load('/path/to/trained/cvivit.pt') maskgit = MaskGit( num_tokens = 5000, max_seq_len = 1024, dim = 512, dim_context = 768, depth = 6, unconditional = False ) phenaki = Phenaki( cvivit = cvivit, maskgit = maskgit ).cuda() # 传入图像或视频的文件夹 trainer = PhenakiTrainer( phenaki = phenaki, batch_size = 4, grad_accum_every = 4, train_on_images = True, # 为了示例,底部是图像文件夹 dataset = '/path/to/images/or/video' ) trainer.train()
将掩码概率传入maskgit并自动掩码并获取交叉熵损失
交叉注意力 + 从imagen-pytorch获取t5嵌入代码并连接分类器自由引导
为c-vivit连接完整的vqgan-vae,只需使用parti-pytorch中已有的内容,但确保使用论文中提到的stylegan判别器
完成token critic训练代码
完成maskgit计划采样 + token critic的第一个版本(如果研究人员不想进行额外训练,可选择不使用)
允许滑动时间 + 基于过去K帧条件的推理代码
时间注意力的alibi位置偏置
给空间注意力最强大的位置偏置
确保使用类似stylegan的判别器
maskgit的3d相对位置偏置
确保maskgit也可以支持图像训练,并确保在本地机器上运行
还要构建一个选项,让token critic可以用文本进行条件化
应该能够首先训练文本到图像生成
确保critic训练器可以接收cvivit并自动传入视频补丁形状的相对位置偏置 - 确保critic也获得最佳相对位置偏置
cvivit的训练代码
将cvivit移到单独的文件中
无条件生成(视频和图像)
为c-vivit和maskgit的多GPU训练连接加速器
为cvivit添加深度卷积以生成位置
一些基本的视频处理代码,允许将采样张量保存为gif
基本的critic训练代码
也为maskgit添加位置生成深度可分离卷积
为stylegan判别器配备可定制的自注意力块
添加所有最先进的研究以稳定transformer训练
获取一些基本的critic采样代码,展示有无critic的对比
引入连接式token shift(时间维度)
添加DDPM上采样器,要么从imagen-pytorch移植,要么在此处重写一个简单版本
处理maskgit中的掩码
仅在牛津花卉数据集上测试maskgit + critic
支持矩形大小的视频
为所有transformer添加闪存注意力作为选项并引用@tridao
@article{Villegas2022PhenakiVL, title = {Phenaki:基于开放域文本描述的可变长度视频生成}, author = {Ruben Villegas 和 Mohammad Babaeizadeh 和 Pieter-Jan Kindermans 和 Hernan Moraldo 和 Han Zhang 和 Mohammad Taghi Saffar 和 Santiago Castro 和 Julius Kunze 和 D. Erhan}, journal = {ArXiv}, year = {2022}, volume = {abs/2210.02399} }
@article{Chang2022MaskGITMG, title = {MaskGIT:掩码生成图像转换器}, author = {Huiwen Chang 和 Han Zhang 和 Lu Jiang 和 Ce Liu 和 William T. Freeman}, journal = {2022年IEEE/CVF计算机视觉与模式识别会议(CVPR)}, year = {2022}, pages = {11305-11315} }
@article{Lezama2022ImprovedMI, title = {基于令牌评论家的改进掩码图像生成}, author = {José Lezama 和 Huiwen Chang 和 Lu Jiang 和 Irfan Essa}, journal = {ArXiv}, year = {2022}, volume = {abs/2209.04439} }
@misc{ding2021cogview, title = {CogView:通过Transformer掌控文本到图像的生成}, author = {Ming Ding 和 Zhuoyi Yang 和 Wenyi Hong 和 Wendi Zheng 和 Chang Zhou 和 Da Yin 和 Junyang Lin 和 Xu Zou 和 Zhou Shao 和 Hongxia Yang 和 Jie Tang}, year = {2021}, eprint = {2105.13290}, archivePrefix = {arXiv}, primaryClass = {cs.CV} }
@misc{shazeer2020glu, title = {GLU变体改进Transformer}, author = {Noam Shazeer}, year = {2020}, url = {https://arxiv.org/abs/2002.05202} }
@misc{press2021ALiBi, title = {短训练长测试:具有线性偏置的注意力机制实现输入长度外推}, author = {Ofir Press 和 Noah A. Smith 和 Mike Lewis}, year = {2021}, url = {https://ofir.io/train_short_test_long.pdf} }
@article{Liu2022SwinTV, title = {Swin Transformer V2:扩展容量和分辨率}, author = {Ze Liu 和 Han Hu 和 Yutong Lin 和 Zhuliang Yao 和 Zhenda Xie 和 Yixuan Wei 和 Jia Ning 和 Yue Cao 和 Zheng Zhang 和 Li Dong 和 Furu Wei 和 Baining Guo}, journal = {2022年IEEE/CVF计算机视觉与模式识别会议(CVPR)}, year = {2022}, pages = {11999-12009} }
@inproceedings{Nijkamp2021SCRIPTSP, title = {SCRIPT:Transformer的自我评论预训练}, author = {Erik Nijkamp 和 Bo Pang 和 Ying Nian Wu 和 Caiming Xiong}, booktitle = {北美计算语言学协会章程}, year = {2021} }
@misc{https://doi.org/10.48550/arxiv.2302.01327, doi = {10.48550/ARXIV.2302.01327}, url = {https://arxiv.org/abs/2302.01327}, author = {Kumar, Manoj 和 Dehghani, Mostafa 和 Houlsby, Neil}, title = {双重补丁归一化}, publisher = {arXiv}, year = {2023}, copyright = {知识共享署名4.0国际许可协议} }
@misc{gilmer2023intriguing title = {Transformer训练不稳定性的有趣特性}, author = {Justin Gilmer, Andrea Schioppa, 和 Jeremy Cohen}, year = {2023}, status = {待发表 - 一种注意力稳定技术正在Google Brain内部流传,被多个团队使用} }
@misc{mentzer2023finite, title = {有限标量量化:简化的VQ-VAE}, author = {Fabian Mentzer 和 David Minnen 和 Eirikur Agustsson 和 Michael Tschannen}, year = {2023}, eprint = {2309.15505}, archivePrefix = {arXiv}, primaryClass = {cs.CV} }
@misc{yu2023language, title = {语言模型胜过扩散模型 -- 分词器是视觉生成的关键}, author = {Lijun Yu 和 José Lezama 和 Nitesh B. Gundavarapu 和 Luca Versari 和 Kihyuk Sohn 和 David Minnen 和 Yong Cheng 和 Agrim Gupta 和 Xiuye Gu 和 Alexander G. Hauptmann 和 Boqing Gong 和 Ming-Hsuan Yang 和 Irfan Essa 和 David A. Ross 和 Lu Jiang}, year = {2023}, eprint = {2310.05737}, archivePrefix = {arXiv}, primaryClass = {cs.CV} }
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。