南京大学发布百万规模文本生成视频数据集OpenVid-1M

“巧妇难为无米之炊”，文生视频作为一个在AI中较为年轻的研究方向，由许多至关重要的问题还尚未解决，其中之一就是缺乏大规模高质量数据集，因此，最近南京大学提出了一个名为OpenVid-1M的大规模高质量数据集，它包含了100万个带有字幕的高质量视频片段。

除了数据集，他们还提出了一种新颖的多模态视频扩散Transformer（MVDiT），能够同时提取视觉标记和文本标记中的结构信息和语义信息。与以往主要关注视觉内容的DiT架构不同，MVDiT通过并行的视觉-文本架构增强文本和生成视频之间的一致性。其核心机制包括多模态自注意力模块、多模态时间注意力模块和多头交叉注意力模块，分别用于增强标记间的交互、确保时间一致性和融合文本语义信息。

论文标题：

OpenVid-1M: A Large-Scale High-Quality Dataset for Text-to-video Generation

论文链接：

https://arxiv.org/pdf/2407.02371

OpenVid-1M数据集

OpenVid-1M是一个精确的高质量数据集，包含超过100万个视频片段，每个视频分辨率至少为512x512，并附有详细的描述性字幕。该数据集的特点主要可以概括为：

1、小而美：相比于之前的同类数据集，WebVid-10M包含带水印的低质量视频，Panda-70M包含许多静态、闪烁、低清晰度的视频以及短字幕。而OpenVid-1M是一个去除了低质量视频的数据集，具有卓越的视频质量和富有表现力的字幕，规模更小但能对模型起到更好的训练效果。

2、更加高清：OpenVid-1M数据集中包含了43.3万个1080p视频片段，筛选构建的子集OpenVidHD-0.4M旨在推进高清视频生成的研究，而高清视频正是现实世界中视频呈现的主流形式。

一些数据集中的视频截图

OpenVid-1M数据集从ChronoMagic、CelebvHQ、Open-Sora-plan和Panda中筛选而来，由于Panda数据集比其他数据集大得多，因此下面详细介绍Panda-50M的数据过滤细节：

• 美学评分：视觉美学对于视频内容的满意度和愉悦感至关重要。为了增强文本生成视频的效果，论文使用LAION美学预测器过滤掉美学评分较低的视频。

• 时间一致性：相比于图像生成，文本生成视频任务更加复杂，但可以通过利用相邻视频帧的信息来提升质量。这些任务需要高视觉质量和时间一致性，因此时间一致性对于训练至关重要。论文使用CLIP提取视觉特征，通过研究相邻帧之间的余弦相似度来衡量时间一致性。论文过滤掉时间一致性得分较高（几乎静止）和得分较低（频繁闪烁）的视频片段。

• 运动差异：论文引入UniMatch来评估光流得分作为运动差异评分，选择运动平滑的视频。仅靠时间一致性得分不足以过滤掉包含高速运动对象的视频，因此论文保留光流得分适中的视频片段，以获得运动平滑的子集。

• 清晰度评估：高质量的视频对于文本生成视频任务至关重要。由于Panda-50M包含许多模糊片段，论文过滤掉清晰度较低的视频片段。

• 剪辑提取：在上述步骤之外，一些视频片段可能包含多个场景，因此论文引入级联剪切检测器来分割多场景片段，确保每个片段仅包含一个场景。

• 视频字幕：获取视频片段集后，论文使用大型多模态模型LLaVA-v1.6-34b为其重新生成字幕，创建表达性强的描述。由于CelebvHQ缺乏字幕，因此论文为其视频片段也提供了字幕。

下面给出了OpenVid-1M和Panda-50M在四个维度的数据质量对比：

图中的abcd分别对应视频美学分布，视频运动分布，视频时间一致性分布和字幕长度分布，其中Ours-0.6M和Ours-0.4M分别是OpenVid-1M的两个从不同数据集中筛选出的子集。

多模态视频扩散Transformer（Multi-modal Video Diffusion Transformer，MVDiT）

如下图，MVDiT强调并行的视觉-文本结构，用于从视觉标记中提取结构信息和从文本标记中提取语义信息。每个MVDiT层包含四个步骤：视觉和语言特征的初步提取、集成新颖的多模态时间注意力模块以改善时间一致性、通过多模态自注意力和多头交叉注意力模块促进交互，然后传递到最终的前馈层。

特征提取：给定一个视频片段，采用预训练的变分自编码器（VAE）将输入视频片段编码为潜在空间中的特征。在被噪声破坏后，获得的视频潜在特征输入到3D补丁嵌入器中以建模时间信息。然后，添加位置编码并将噪声视频潜在特征展平为补丁编码序列。将文本提示输入T5进行条件特征提取，并将文本编码嵌入到与视觉标记的通道维度匹配的文本标记中。最终，文本标记和噪声视觉标记作为MVDiT的输入。在训练过程中，文本编码器和视觉编码器均被冻结。

多模态自注意力模块：设计了一个多模态自注意力（MMSA）模块。文本标记在时间维度上重复多次以匹配视频帧。在文本和视觉分支中采用自适应层归一化，将时间步信息编码到模型中。然后，视觉标记与文本标记连接生成多模态特征，并输入到自注意力层中，促进每帧中视觉标记和文本标记之间的交互。分离出增强的视觉标记和文本标记，并应用维度缩放参数以优化Transformer块内的残差连接。

多模态时间注意力模块：在获得增强的视觉特征和文本特征后，构建多模态时间注意力（MMTA）模块，以高效捕捉时间信息。不同于先前的方法，此模块从文本和视觉特征中捕捉时间信息。将两个分支的标记连接起来，输入到时间注意力层中进行时间维度上的通信，使模型能够学习语义-结构的时间一致性，进一步提高视频质量。

多头交叉注意力模块：尽管多模态自注意力模块将视觉和文本标记结合在一起，文本生成视频（T2V）任务仍需要明确的过程将文本中的语义信息插入到视觉标记中。为此，采用交叉注意力层直接建立文本标记和视觉标记之间的通信。通过将视觉标记作为Query，文本标记作为Key和值Value，实现两者之间的交互，增强生成视频的语义信息。视觉标记和文本标记随后输入到前馈层中。由于一个MVDiT层能够同时更新视觉和文本标记，因此可以多次迭代这一过程，以实现更好的视频生成性能。经过多次迭代后，最终的视觉特征用于预测时间步的噪声和协方差。

实验效果显著

采用提出的OpenVid-1M数据集训练MVDiT模型与其他模型和数据集进行对比。评估模型基于视觉质量、文本与视频的对齐度及时间一致性，具体采用美学评分（VQAA）和技术评分（VQAT）评估视频质量。在输入文本和生成视频的一致性方面，采用图像-视频一致性（SD_score）和文本-文本一致性（Blip_bleu）进行评估。此外，还通过变形误差和语义一致性（Clip_temp_score）评估生成视频的时间一致性。

如表所示，OpenVid-1M和MVDiT显著优于其他方法。

从定性的角度分析以上结果，从下面的视频截图中可以看到，OpenVid-1M和MVDiT生成的图像更好看且符合文本描述。

此外，为了公平地比较不同的数据集，使用不同数据集训练OpenSora模型，在相同算力下，OpenVidHD-0.4M取得了最好的效果。

此外，如表所示的消融实验，在不同的模型、分辨率、训练数据以及不同的数据筛选方式下，证明了模型以及数据集每个步骤的必要性。

结语

通过对OpenVid-1M数据集和MVDiT模型的分析和评估，可以看出此项工作在文生视频领域做出的贡献：OpenVid-1M数据集为研究者提供了一个大规模且高质量的数据集，而MVDiT模型则提升了视频生成的质量和文本一致性。这回，不仅“巧妇有米下锅”，还把佳肴端回了餐桌。