无需文本标注，TF-T2V把AI量产视频的成本打下来了！华科阿里等联合打造

声明:本文来自于微信公众号 机器之心（ID:almosthuman2014），作者:机器之心，授权转载发布。

在过去短短两年内，随着诸如LAION-5B 等大规模图文数据集的开放，Stable Diffusion、DALL-E2、ControlNet、Composer ，效果惊人的图片生成方法层出不穷。图片生成领域可谓狂飙突进。

然而，与图片生成相比，视频生成仍存在巨大挑战。首先，视频生成需要处理更高维度的数据，考虑额外时间维度带来的时序建模问题，因此需要更多的视频 - 文本对数据来驱动时序动态的学习。然而，对视频进行准确的时序标注非常昂贵。这限制了视频 - 文本数据集的规模，如现有 WebVid10M 视频数据集包含10.7M 视频 - 文本对，与 LAION-5B 图片数据集在数据规模上相差甚远，严重制约了视频生成模型规模化的扩展。

为解决上述问题，华中科技大学、阿里巴巴集团、浙江大学和蚂蚁集团联合研究团队于近期发布了 TF-T2V 视频方案:

论文地址:https://arxiv.org/abs/2312.15770

项目主页:https://tf-t2v.github.io/

即将开源代码地址:https://github.com/ali-vilab/i2vgen-xl （VGen 项目）

该方案另辟蹊径，提出了基于大规模无文本标注视频数据进行视频生成，能够学习丰富的运动动态。

先来看看 TF-T2V 的视频生成效果:

文生视频任务

提示词:生成在冰雪覆盖的土地上有一只冰霜般的大生物的视频。

提示词:生成一只卡通蜜蜂的动画视频。

提示词:生成包含一辆未来幻想摩托车的视频。

提示词:生成一个小男孩快乐微笑的视频。

提示词:生成一个老人感觉头疼的视频。

组合式视频生成任务

给定文本与深度图或者文本与素描草图，TF-T2V 能够进行可控的视频生成:

也可以进行高分辨率视频合成:

半监督设定

在半监督设定下的 TF-T2V 方法还可以生成符合运动文本描述的视频，如 人从右往左跑。

方法简介

TF-T2V 的核心思想是将模型分为运动分支和表观分支，运动分支用于建模运动动态，表观分支用于学习视觉表观信息。这两个分支进行联合训练，最终可以实现通过文本驱动视频生成。

为了提升生成视频的时序一致性，作者团队还提出了一种时序一致性损失，显式地学习视频帧之间的连续性。

值得一提的是，TF-T2V 是一种通用的框架，不仅适用于文生视频任务，还能应用于组合式视频生成任务，如 sketch-to-video、video inpainting、first frame-to-video 等。

具体细节和更多实验结果可以参考原论文或者项目主页。

此外，作者团队还把 TF-T2V 作为教师模型，利用一致性蒸馏技术得到了 VideoLCM 模型:

论文地址:https://arxiv.org/abs/2312.09109

项目主页:https://tf-t2v.github.io/

即将开源代码地址:https://github.com/ali-vilab/i2vgen-xl （VGen 项目）

不同于之前视频生成方法需要大约50步 DDIM 去噪步骤，基于 TF-T2V 的 VideoLCM 方法可以只需要进行大约4步推理去噪就生成高保真的视频，极大地提升了视频生成的效率。

一起来看看 VideoLCM 进行4步去噪推理的结果:

具体细节和更多实验结果可以参考 VideoLCM 原论文或者项目主页。

总而言之，TF-T2V 方案为视频生成领域带来了新思路，克服了数据集规模和标注难题带来的挑战。利用大规模的无文本标注视频数据，TF-T2V 能够生成高质量的视频，并应用于多种视频生成任务。这一创新将推动视频生成技术的发展，为各行各业带来更广阔的应用场景和商业机会。