基于Transformer的通用世界模型成功挑战视频生成

• 允中 发自 凹非寺
  量子位 | 公众号 QbitAI

建立会做视频的世界模型，也能通过Transformer来实现了！

来自清华和极佳科技的研究人员联手，推出了全新的视频生成通用世界模型——WorldDreamer。

它可以完成自然场景和自动驾驶场景多种视频生成任务，例如文生视频、图生视频、视频编辑、动作序列生视频等。

据团队介绍，通过预测Token的方式来建立通用场景世界模型，WorldDreamer是业界首个。

它把视频生成转换为一个序列预测任务，可以对物理世界的变化和运动规律进行充分地学习。

可视化实验已经证明，WorldDreamer已经深刻理解了通用世界的动态变化规律。

那么，它都能完成哪些视频任务，效果如何呢？

支持多种视频任务

图像生成视频（Image to Video）

WorldDreamer可以基于单一图像预测未来的帧。

只需首张图像输入，WorldDreamer将剩余的视频帧视为被掩码的视觉Token，并对这部分Token进行预测。

如下图所示，WorldDreamer具有生成高质量电影级别视频的能力。

其生成的视频呈现出无缝的逐帧运动，类似于真实电影中流畅的摄像机运动。

而且，这些视频严格遵循原始图像的约束，确保帧构图的显著一致性。

文本生成视频（Text to Video）

WorldDreamer还可以基于文本进行视频生成。

仅仅给定语言文本输入，此时WorldDreamer认为所有的视频帧都是被掩码的视觉Token，并对这部分Token进行预测。

下图展示了WorldDreamer在各种风格范式下从文本生成视频的能力。

生成的视频与输入语言无缝契合，其中用户输入的语言可以塑造视频内容、风格和相机运动。

视频修改（Video Inpainting）

WorldDreamer进一步可以实现视频的inpainting任务。

具体来说，给定一段视频，用户可以指定mask区域，然后根据语言的输入可以更改被mask区域的视频内容。

如下图所示，WorldDreamer可以将水母更换为熊，也可以将蜥蜴更换为猴子，且更换后的视频高度符合用户的语言描述。

视频风格化（Video Stylization）

除此以外，WorldDreamer可以实现视频的风格化。

如下图所示，输入一个视频段，其中某些像素被随机掩码，WorldDreamer可以改变视频的风格，例如根据输入语言创建秋季主题效果。

基于动作合成视频（Action to Video）

WorldDreamer也可以实现在自动驾驶场景下的驾驶动作到视频的生成。

如下图所示，给定相同的初始帧以及不同的驾驶策略（如左转、右转），WorldDreamer可以生成高度符合首帧约束以及驾驶策略的视频。

那么，WorldDreamer又是怎样实现这些功能的呢？

用Transformer构建世界模型

研究人员认为，目前最先进的视频生成方法主要分为两类——基于Transformer的方法和基于扩散模型的方法。

利用Transformer进行Token预测可以高效学习到视频信号的动态信息，并可以复用大语言模型社区的经验，因此，基于Transformer的方案是学习通用世界模型的一种有效途径。

而基于扩散模型的方法难以在单一模型内整合多种模态，且难以拓展到更大参数，因此很难学习到通用世界的变化和运动规律。

而当前的世界模型研究主要集中在游戏、机器人和自动驾驶领域，缺乏全面捕捉通用世界变化和运动规律的能力。

所以，研究团队提出了WorldDreamer来加强对通用世界的变化和运动规律的学习理解，从而显著增强视频生成的能力。

借鉴大型语言模型的成功经验，WorldDreamer采用Transformer架构，将世界模型建模框架转换为一个无监督的视觉Token预测问题。

具体的模型结构如下图所示：

WorldDreamer首先使用视觉Tokenizer将视觉信号（图像和视频）编码为离散的Token。

这些Token在经过掩蔽处理后，输入给研究团队提出的Sptial Temporal Patchwuse Transformer（STPT）模块。

同时，文本和动作信号被分别编码为对应的特征向量，以作为多模态特征一并输入给STPT。

STPT在内部对视觉、语言、动作等特征进行充分的交互学习，并可以预测被掩码部分的视觉Token。

最终，这些预测出的视觉Token可以用来完成各种各样的视频生成和视频编辑任务。

值得注意的是，在训练WorldDreamer时，研究团队还构建了Visual-Text-Action（视觉-文本-动作）数据的三元组，训练时的损失函数仅涉及预测被掩蔽的视觉Token，没有额外的监督信号。

而在团队提出的这个数据三元组中，只有视觉信息是必须的，也就是说，即使在没有文本或动作数据的情况下，依然可以进行WorldDreamer的训练。

这种模式不仅降低了数据收集的难度，还使得WorldDreamer可以支持在没有已知或只有单一条件的情况下完成视频生成任务。

研究团队使用大量数据对WorldDreamer进行训练，其中包括20亿经过清洗的图像数据、1000万段通用场景的视频、50万段高质量语言标注的视频、以及近千段自动驾驶场景视频。

团队对10亿级别的可学习参数进行了百万次迭代训练，收敛后的WorldDreamer逐渐理解了物理世界的变化和运动规律，并拥有了各种的视频生成和视频编辑能力。

论文地址：
https://arxiv.org/abs/2401.09985
项目主页：
https://world-dreamer.github.io/