Yuxuan Lin
写作

Video Generation

笔记,AI 与机器学习 / 生成模型1 分钟阅读

古人的智慧

2D Convolution + LSTM

CNN + RNN

3D Convolution

数据/算力需求大 3D CNN 效果一般

Two-Stream Network

  • spatial stream: CNN 理解 single frame
  • temporal stream: multi-frame optical flow 帧变化的方向 对当前帧以及后续几帧,即只能处理一个clip 效果好

3D-Fused Two Stream

改进双流,处理多clip (叠多个双流 + conv) feature maps -> 3D conv (理解整体视频) -> linear -> result

I3D

https://arxiv.org/abs/1705.07750

Two-Stream + Inflated-3D Network 每一帧都理解 spatial stream -> 3D conv temporal stream -> 3D conv

用训好的2D resnet weight 初始化3D模型 对比曾经3D Convolution 数据/算力变大了

Video Generation 配图

Wan

Wan: Open and Advanced Large-Scale Video Generative Models https://www.bilibili.com/video/BV1wGSKBVEd8 开源sota spatio-temporal VAE

TODO Meta MovieGen Tencent Hunyuan 快手 kling 谷歌 Veo 3
OpenAI Sora 字节 Seedance MiniMax 海螺 阿里 Wan Mochi