在過去短短兩年內，隨著諸如 LAION-5B 等大規模圖文數據集的開放，Stable Diffusion、DALL-E 2、ControlNet、Composer ，效果驚人的圖片生成方法層出不窮。圖片生成領域可謂狂飆突進。

然而，與圖片生成相比，視頻生成仍存在巨大挑戰。首先，視頻生成需要處理更高維度的數據，考慮額外時間維度帶來的時序建模問題，因此需要更多的視頻 - 文本對數據來驅動時序動態的學習。然而，對視頻進行準確的時序標注非常昂貴。這限制了視頻 - 文本數據集的規模，如現有 WebVid10M 視頻數據集包含 10.7M 視頻 - 文本對，與 LAION-5B 圖片數據集在數據規模上相差甚遠，嚴重制約了視頻生成模型規模化的擴展。

為解決上述問題，華中科技大學、阿里巴巴集團、浙江大學和螞蟻集團聯合研究團隊于近期發布了 TF-T2V 視頻方案：

論文地址：https://arxiv.org/abs/2312.15770

項目主頁：https://tf-t2v.github.io/

即將開源代碼地址：https://github.com/ali-vilab/i2vgen-xl （VGen 項目）

該方案另辟蹊徑，提出了基于大規模無文本標注視頻數據進行視頻生成，能夠學習豐富的運動動態。

先來看看 TF-T2V 的視頻生成效果：

文生視頻任務

提示詞：生成在冰雪覆蓋的土地上有一只冰霜般的大生物的視頻。

提示詞：生成一只卡通蜜蜂的動畫視頻。

提示詞：生成包含一輛未來幻想摩托車的視頻。

提示詞：生成一個小男孩快樂微笑的視頻。

提示詞：生成一個老人感覺頭疼的視頻。

組合式視頻生成任務

給定文本與深度圖或者文本與素描草圖，TF-T2V 能夠進行可控的視頻生成：

也可以進行高分辨率視頻合成：

半監督設定

在半監督設定下的 TF-T2V 方法還可以生成符合運動文本描述的視頻，如 「人從右往左跑」。

方法簡介

TF-T2V 的核心思想是將模型分為運動分支和表觀分支，運動分支用于建模運動動態，表觀分支用于學習視覺表觀信息。這兩個分支進行聯合訓練，最終可以實現通過文本驅動視頻生成。

為了提升生成視頻的時序一致性，作者團隊還提出了一種時序一致性損失，顯式地學習視頻幀之間的連續性。

值得一提的是，TF-T2V 是一種通用的框架，不僅適用于文生視頻任務，還能應用于組合式視頻生成任務，如 sketch-to-video、video inpainting、first frame-to-video 等。

具體細節和更多實驗結果可以參考原論文或者項目主頁。

此外，作者團隊還把 TF-T2V 作為教師模型，利用一致性蒸餾技術得到了 VideoLCM 模型： 

論文地址：https://arxiv.org/abs/2312.09109

項目主頁：https://tf-t2v.github.io/

即將開源代碼地址：https://github.com/ali-vilab/i2vgen-xl （VGen 項目）

不同于之前視頻生成方法需要大約 50 步 DDIM 去噪步驟，基于 TF-T2V 的 VideoLCM 方法可以只需要進行大約 4 步推理去噪就生成高保真的視頻，極大地提升了視頻生成的效率。

一起來看看 VideoLCM 進行 4 步去噪推理的結果：

具體細節和更多實驗結果可以參考 VideoLCM 原論文或者項目主頁。

總而言之，TF-T2V 方案為視頻生成領域帶來了新思路，克服了數據集規模和標注難題帶來的挑戰。利用大規模的無文本標注視頻數據，TF-T2V 能夠生成高質量的視頻，并應用于多種視頻生成任務。這一創新將推動視頻生成技術的發展，為各行各業帶來更廣闊的應用場景和商業機會。