Open-Sora悄悄升级 支持16秒视频生成和720p分辨率

　　Open-Sora 在开源社区悄悄更新了，现在，该项目不仅支持长达16秒的单镜头视频生成，而且视频分辨率最高可达720p，能够处理各种宽高比的文本到图像、文本到视频、图像到视频、视频到视频以及无限长视频的生成需求。

　　技术报告与模型架构:

　　Open-Sora技术报告已在GitHub上发布，详细介绍了新功能和模型架构。

　　作者团队对STDiT架构进行了关键性改进，提高了模型的训练稳定性和整体性能。

　　引入了旋转位置编码(RoPE embedding)和QK归一化技术，以增强训练稳定性。

　　ST-DiT-2架构能够自动缩放位置编码，处理不同大小尺寸的输入。

　　多阶段训练方法:

　　Open-Sora采用了多阶段训练方法，通过分步骤引入数据，高效实现高质量视频生成。

　　初始阶段视频采用144p分辨率，混训图片和更高分辨率视频。

　　第二阶段提升至240p和480p分辨率，第三阶段进一步增强至480p和720p。

　　统一的图生视频/视频生视频框架:

　　基于Transformer，DiT架构可支持图像到图像及视频到视频任务。

　　提出掩码策略来支持图像和视频的条件化处理。

　　掩码策略配置:

　　引入了随机掩码策略，以随机方式选择并取消掩码的帧，提高模型处理图像条件化的能力。

　　支持多时间/分辨率/长宽比/帧率训练:

　　通过分桶策略，使用原始视频的分辨率、长宽比和长度进行训练，增加采样灵活性。

　　数据收集和预处理流程:

　　作者团队提供了详尽的数据收集与处理指南，分享了自动化的数据处理流程。

　　性能全方位评测:

　　Open-Sora能够将文字描述转化为动人的动态视频，支持多种内容、分辨率、长宽比和时长的生成。

　　尽管取得了进展，但当前生成的视频在噪声问题、时间一致性、人物生成质量以及美学评分方面仍有待改进。作者团队将在下一版本中优先解决这些挑战。