Sora技术原理解析_sora 技术简介

1.Sora简介

Sora是一个基于大规模训练的文本控制视频生成扩散模型。 Sora能够生成高达1分钟的高清视频，涵盖广泛的视觉数据类型和分辨率。 Sora使用简单的文本描述，使得视频创作变得前所未有的简单和高效。

1.1 Sora的一些能力

• Text-to-video: 文生视频
• Image-to-video: 图生视频
• Video-to-video: 改变源视频风格or场景
• Extending video in time: 视频拓展(前后双向)
• Create seamless loops: Tiled videos that seem like they never end
• Image generation: 图片生成 (size最高达到 2048 x 2048)
• Generate video in any format: From 1920 x 1080 to 1080 x 1920 视频输出比例自定义
• Simulate virtual worlds: 链接虚拟世界，游戏视频场景生成
• Create a video: 长达60s的视频并保持人物、场景一致性

1.2 Sora解决的痛点

• 解决了文生视频中长视频的痛点，原来的只支持4S，Sora能支持60S。Sora在长视频中能保持人物/场景的高度一致性。
• 实现多视频的丝滑的整合，也就是做视频融合的能力。
• 同一场景的多角度/镜头的生成能力
• 具有动态摄像机运行的视频。人，场景在三维空间中一致地移动。
• 支持任意分辨率，宽高比的视频输出。

1.3 Sora存在的局限性

• Sora对物理规律的理解仍然十分有限

2.Sora模型训练

2.1 Sora技术报告

Sora要做一个世界模拟器

部分原文：

Video generation models as world simulators

We explore large-scale training of generative models on video data. Specifically, we train text-conditional diffusion models jointly on videos and images of variable durations, resolutions and aspect ratios. We leverage a transformer architecture that operates on spacetime patches of video and image latent codes. Our largest model, Sora, is capable of generating a minute of high fidelity video. **Our results suggest that scaling video generation models is a promising path towards building general purpose simulators of the physical world.**
1
2
3

原文链接：https://openai.com/research/video-generation-models-as-world-simulators

2.2 模型训练流程

1. Visual Encoder : 原始视频数据被切分为 Pathes，通过VAE编码器压缩成低维空间表示；
2. Transformer Decoder : 把文本信息生成一维向量
3. 基于 Diffusion Transformer 完成从文本语义到图像语义的再映射；
4. DiT 生成的低维空间表示，通过 VAE 解码器恢复成像素级的视频数据。

• Step 1 : 使用DALLE 3 (CLIP) 把文本和图像对 <text, image>联系起来；
• Step 2 : 视频数据切分为 Patches 通过VAE编码器压缩成低维空间表示；
• Step 3 : 基于 Diffusion Transformer 从图像语义生成，完成文本语义到图像语义进行映射；
• Step 4 : DiT生成的低维空间表示，通过VAE解码器恢复成像素级的视频数据。

2.3 视频数据统一表示（Transforming Visual Data into Patches）

Sora是一个在不同时长、分辨率和宽高比的视频及图像上训练而成的扩散模型，同时采用了Transformer架构

2.4 扩散模型DDPM

扩散模型示意图：

模型训练：DDPM (Doiseing Diffusion Probabilistic models)

DDPM的整个工作流程

2.5 基于扩散模型的主干网络

1. U-Net 网络模型结构把模型规模限定；U-Net使用CNN搭建的。
2. SD/SDXL 作为经典网络只公布了推理和微调；
3. 国内主要基于 SD/SDXL 进行二次创作

Diffusion Process过程

1. 给图像增加噪声
2. 文本对向量化；
3. 把两个都放在U-Net中去训练

Sora模型架构

3.关键技术

3.1 ViT

• ViT 尝试将标准 Transformer 结构直接应用于图像；
• 图像被划分为多个 patch后，将二维 patch 转换为一维向量作为 Transformer 的输入

3.2 在图片处理基础上处理视频的模型 ViViT模型（google提出的）

3.3 时空编码（Spacetime latent patches）

在时间和空间两个维度上，对视频进行编码

（1）摊大饼法

从输入视频剪辑中均匀采样 n_t 个帧，使用与ViT相同的方法独立地嵌入每个2D帧(embed each 2D frame independently using the same method as ViT)，并将所有这些token连接在一起

（2）切块法

将输入的视频划分为若干个tuplet，每个tuplet会变成一个token

经过Spatial Temperal Attention 进行空间/时间建模获得有效的视频表征token，即下图灰色部分。

3.4 Sora不同长度，分辨率

Sora支持不同长度，不同分辨率的输入 NaViT(google)，还支持去重的功能。

技术难点：视频压缩网络，Encoder的复杂度、时空交互的range

3.5 DiT

结合 Diffusion Model 和 Transformer， 通过 Scale up Model 提升图像生成质量图像的scaling技术运用到视频场景非常直观， 可以确定是 SORA 的技术之一

Diffusion Transformer = VAE encoder + ViT + DDPM + VAE

DiT 利用 transformer 结构探索新的扩散模型，成功用 transformer 替换 U-Net 主干

1. DiT 首先将将每个 patch 空间表示 Latent 输入到第一层网络，以此将空 间输入转换为 tokens 序列。
2. 将标准基于 ViT 的 Patch 和 Position Embedding 应用于所有输入 token，最后将输入 token 由 Transformer 处理。
3. DiT 还会处理额外信息，e.g. 时间步长、类别标签、文本语义等

DiT示例

• 例如输入一张256x256x3的图片,经过Encoder后得到对应的latent
• 推理时输入32x32x4的噪声,得到32x32x4的latent
• 结合当前的 step t , 输入label y , 经过N个Dit Block通过 MLP 进行输出
• 得到输出的噪声以及对应的协方差矩阵
• 经过T个step采样,得到32x32x4的降噪后的latent
• 在训练时， 需要使得去躁后的latent和第一步得到的latent尽可能一致
1
2
3
4
5
6

技术难点：工程化是非常难的。1.Transformer Scale up到多大？2.从头训练到收敛的trick？3.如何实现长视频的支持；4.如何保证视频中实体的高质量和一致性？

3.6 用Patch预测下一个Patch

OpenAI视频的生成路径：用Patch预测下一个Patch

3.7 DALLE 2

Sora对文本对的训练使用了DALLE 2

1. 将文本提示输入文本编码器，该训练过的编码器便将文本提示映射到表示空间；
2. 先验模型将文本编码映射到图像编码，图像编码捕获文本编码中的语义信息；
3. 图像解码模型随机生成一幅从视觉上表现该语义信息的图像；

4.技术总结

1. Scaling Law：模型规模的增大对视频生成质量的提升具有明确意义，从而很好地解决视频一致性、连续性等问题；
2. Data Engine：数据工程很重要，如何设计视频的输入（e.g. 是否截断、长宽比、像素优化等）、patches 的输入方式、文本描述和文本图像对质量；
3. AI Infra：AI 系统（AI 框架、AI 编译器、AI 芯片、大模型）工程化能力是很大的技术壁垒，决定了 Scaling 的规模。
4. LLM：LLM 大语言模型仍然是核心，多模态（文生图、图生文）都需要文本语义去牵引和约束生成的内容，CLIP/BLIP/GLIP 等关联模型会持续提升能力

参考资料

1. https://datawhaler.feishu.cn/file/KntHbV3QGoEPruxEql2c9lrsnOb