阿里提出轨迹可控的 DiT 视频生成模型 Tora

关注公众号，发现CV技术之美

本篇分享论文Tora: Trajectory-oriented Diffusion Transformer for Video Generation，阿里提出轨迹可控的DiT视频生成模型Tora。

• 论文链接：https://arxiv.org/abs/2407.21705

• 项目链接：https://ali-videoai.github.io/tora_video/

背景

视频生成模型最近取得了显著进展。例如，OpenAI 的 Sora 和国内的 Vidu、可灵等模型，通过利用 Diffusion Transformer 的扩展特性，不仅能够满足各种分辨率、尺寸和时长的预测要求，同时生成的视频更符合物理世界的表现。

视频生成技术需要在一系列图像中创造一致的运动，这凸显了运动控制的重要性。当前已有一些优秀的方法如 DragNUWA 和 MotionCtrl 已经实现了轨迹可控的视频生成，但这些方法受限于传统 U-Net 去噪模型，大多只能生成 16 帧长度、固定低分辨率的视频，难以应对长距离轨迹。

此外，如果轨迹过于不规则或存在偏移过大等情况，这些方法十分容易出现运动模糊、外观失真和不自然的运动如漂移闪现等。

为了解决这些问题，阿里云提出了一种基于 DiT 架构的轨迹可控视频生成模型 Tora。Tora能够根据任意数量的物体轨迹，图像和文本条件生成不同分辨率和时长的视频，在 720p分辨率下能够生成长达204 帧的稳定运动视频。值得注意的是，Tora继承了DiT的scaling特性，生成的运动模式更流畅，更符合物理世界。

方法介绍

Tora 整体结构

如下图所示，Tora包括一个Spatial-Temporal Denoising Diffusion Transformer，（ST-DiT，时空去噪扩散变换器）、一个Trajectory Extractor（TE，轨迹提取器）和一个Motion-guidance Fuser（MGF，运动引导融合器）。

Tora 的 ST-DiT 继承了 OpenSora v1.2 的设计，将输入视频在时空维度上压缩成Spacetime visual patches（时空视觉补丁），再通过交替的spatial transformer block（空域变换器块） 和temporal transformer block（时域变换器块）进行噪声预测。

为了实现用户友好的轨迹控制，TE 和 MGF 将用户提供的轨迹编码为多层次的Spacetime motion patches（时空运动补丁），再通过自适应归一化层将这些patches无缝整合到每个DiT block中，以确保生成视频的运动与预定义的轨迹一致。

Trajectory Extractor

Sora 的技术报告中指出，visual patches（视觉补丁）是一种高度扩展且有效的表示方式。为了将高维的视频数据表示为 visual patches，Sora 将原始视频在时间和空间上均进行了压缩。这是 Sora 类的DiT算法能够生成比U-Net方法更长视频的关键。

现有的 U-Net方法往往通过注入两帧间的运动向量来控制运动轨迹，在时域上没有任何的潜在嵌入编码，这在DiT架构中并不适用。

为了将运动轨迹信息与visual patches配对，Tora的轨迹提取器采用了一个3D motion VAE（运动变分自编码器），将轨迹向量嵌入到与visual patches相同的潜在空间中，确保连续帧之间的运动信息得以保留和传递。

为了利用已有的3D VAE权重，轨迹位移通过流可视化的方案转换到 RGB 域，Tora进一步对RGB轨迹位移引入高斯滤波以减轻发散问题。RGB轨迹位移图将作为 3D motion VAE 的输入，生成motion patches。

Tora的3D motion VAE参考了谷歌提出的Magvit-v2架构并取消了码本压缩设计，通过3D因果卷积提取丰富的时空运动补丁。

如上图右侧所示，轨迹提取器继而通过堆叠的卷积块处理这些 motion patches，提取出分层次的运动特征，从而捕捉更复杂和细致的运动模式。

Motion-guidance Fuser

有了与visual patches共享特征空间的运动特征后，下一步需要将多层次的运动特征引入到相应的 DiT 块中，使生成的运动能够遵循预定义的轨迹，同时不影响原有的视觉效果。

Tora 参考了transformer的多种特征注入结构，如上图所示，Motion-guidance Fuser实验了包括额外通道连接、自适应归一化和交叉注意力三种架构。

实验结果显示，自适应归一化在视觉质量和轨迹跟随程度方面表现最佳，同时计算效率最高。自适应归一化层能够根据多样化的条件（文本&轨迹&图像）动态调整特征，确保视频生成的时间一致性。这在注入运动线索时尤为重要，能够有效维持视频运动的连续性和自然性。

训练数据处理与策略

为了训练 Tora 模型，需要带有描述和运动轨迹的注释视频。Tora 在 OpenSora 的数据处理流程基础上进行了改进，以更好地获取物体轨迹。

结合motion segmentation（运动分割）结果和flow score（光流分数），Tora 移除了主要包含摄像机运动的实例，从而提高了对前景物体轨迹的跟随准确率。

对于某些剧烈运动的视频，考虑其存在严重的光流偏差，它们以 (1 − score/100) 的概率被保留。筛选后的视频采用 PLLaVA13B 生成视频描述。Tora 的训练视频来源于高质量的互联网视频数据（如 Panda70M、pixabay 和 MixKit）以及公司内部数据。

为了支持任意数量的视觉条件（visual condition）引导，Tora 在训练期间随机选取visual patches，并对其取消加噪处理。在运动条件训练方面，Tora 遵循 MotionCtrl 和 DragNUWA 的两阶段训练策略。

第一阶段从训练视频中提取密集光流作为运动轨迹，提供了丰富的信息，加速了运动学习过程。

第二阶段根据motion segmentation结果和flow score，随机采样 1 到 N 条目标物体的轨迹样本，从而能够灵活地使用任意轨迹进行运动控制。

实验

实现细节与测试数据

Tora 基于 OpenSora v1.2 权重，使用分辨率从 144p 到 720p、帧数从 51 帧到 204 帧不等的视频进行训练。为平衡不同分辨率和帧数的训练 FLOP和所需内存，批次大小调整为 1 到 25。

训练过程分为两个阶段，首先使用密集光流进行 2 个 epoch 的训练，然后使用稀疏光流进行 1 个 epoch 的微调。

在推理过程中，精选了 185 个包含多样化运动轨迹和场景的长视频片段，作为评估运动可控性的新基准。

对比实验结果

作者团队将 Tora 与当前流行的运动引导视频生成方法进行对比，在 16、64 和 128 帧三个设置下评估，所有视频分辨率均为 512×512，以确保公平对比，测试轨迹依据视频帧数进行相应的切分。

对于大多数基于 U-Net 的方法采用顺次推理方式，即前一个批次生成的最后一帧作为当前批次的条件。在 U-Net常用的16帧设置下，MotionCtrl 和 DragNUWA 与提供的轨迹对齐效果较好，但仍不如 Tora。随着帧数增加，基于U-Net的方法出现严重地误差累计传播，导致后续序列中出现变形、模糊或物体消失问题。

相反，Tora 由于集成了 transformer的 scaling 能力，对帧数变化表现出高度鲁棒性，生成的运动更平滑且符合物理世界规律。在 128 帧测试下，Tora 的轨迹准确度比其他方法高出 3 至 5 倍。

作者团队提供了Tora不同分辨率和时长下的轨迹误差分析，显示 Tora 随时长增加仅表现出逐渐的误差增加，这与DiT模型在延长视频时质量下降的趋势一致，这表明 Tora 在更长时间内保持了有效的轨迹控制。

更多实验结果

下方视频为16:9尺寸下的单轨迹对应多文本实例效果 。

下方视频为9:16尺寸下的单轨迹对应多文本实例与1:1尺寸下的单图像对应多轨迹实例效果。

最新 AI 进展报道
请联系：amos@52cv.net

END

欢迎加入「视频生成」交流群