建立會做視頻的世界模型，也能通過Transformer來實現了！

來自清華和極佳科技的研究人員聯手，推出了全新的視頻生成通用世界模型——WorldDreamer。

它可以完成自然場景和自動駕駛場景多種視頻生成任務，例如文生視頻、圖生視頻、視頻編輯、動作序列生視頻等。

據團隊介紹，通過預測Token的方式來建立通用場景世界模型，WorldDreamer是業界首個。

它把視頻生成轉換為一個序列預測任務，可以對物理世界的變化和運動規律進行充分地學習。

可視化實驗已經證明，WorldDreamer已經深刻理解了通用世界的動態變化規律。

那么，它都能完成哪些視頻任務，效果如何呢？

支持多種視頻任務

圖像生成視頻（Image to Video）

WorldDreamer可以基于單一圖像預測未來的幀。

只需首張圖像輸入，WorldDreamer將剩余的視頻幀視為被掩碼的視覺Token，并對這部分Token進行預測。

如下圖所示，WorldDreamer具有生成高質量電影級別視頻的能力。

其生成的視頻呈現出無縫的逐幀運動，類似于真實電影中流暢的攝像機運動。

而且，這些視頻嚴格遵循原始圖像的約束，確保幀構圖的顯著一致性。

文本生成視頻（Text to Video）

WorldDreamer還可以基于文本進行視頻生成。

僅僅給定語言文本輸入，此時WorldDreamer認為所有的視頻幀都是被掩碼的視覺Token，并對這部分Token進行預測。

下圖展示了WorldDreamer在各種風格范式下從文本生成視頻的能力。

生成的視頻與輸入語言無縫契合，其中用戶輸入的語言可以塑造視頻內容、風格和相機運動。

視頻修改（Video Inpainting）

WorldDreamer進一步可以實現視頻的inpainting任務。

具體來說，給定一段視頻，用戶可以指定mask區域，然后根據語言的輸入可以更改被mask區域的視頻內容。

如下圖所示，WorldDreamer可以將水母更換為熊，也可以將蜥蜴更換為猴子，且更換后的視頻高度符合用戶的語言描述。

視頻風格化（Video Stylization）

除此以外，WorldDreamer可以實現視頻的風格化。

如下圖所示，輸入一個視頻段，其中某些像素被隨機掩碼，WorldDreamer可以改變視頻的風格，例如根據輸入語言創建秋季主題效果。

基于動作合成視頻（Action to Video）

WorldDreamer也可以實現在自動駕駛場景下的駕駛動作到視頻的生成。

如下圖所示，給定相同的初始幀以及不同的駕駛策略（如左轉、右轉），WorldDreamer可以生成高度符合首幀約束以及駕駛策略的視頻。

那么，WorldDreamer又是怎樣實現這些功能的呢？

用Transformer構建世界模型

研究人員認為，目前最先進的視頻生成方法主要分為兩類——基于Transformer的方法和基于擴散模型的方法。

利用Transformer進行Token預測可以高效學習到視頻信號的動態信息，并可以復用大語言模型社區的經驗，因此，基于Transformer的方案是學習通用世界模型的一種有效途徑。

而基于擴散模型的方法難以在單一模型內整合多種模態，且難以拓展到更大參數，因此很難學習到通用世界的變化和運動規律。

而當前的世界模型研究主要集中在游戲、機器人和自動駕駛領域，缺乏全面捕捉通用世界變化和運動規律的能力。

所以，研究團隊提出了WorldDreamer來加強對通用世界的變化和運動規律的學習理解，從而顯著增強視頻生成的能力。

借鑒大型語言模型的成功經驗，WorldDreamer采用Transformer架構，將世界模型建模框架轉換為一個無監督的視覺Token預測問題。

具體的模型結構如下圖所示：

WorldDreamer首先使用視覺Tokenizer將視覺信號（圖像和視頻）編碼為離散的Token。

這些Token在經過掩蔽處理后，輸入給研究團隊提出的Sptial Temporal Patchwuse Transformer（STPT）模塊。

同時，文本和動作信號被分別編碼為對應的特征向量，以作為多模態特征一并輸入給STPT。

STPT在內部對視覺、語言、動作等特征進行充分的交互學習，并可以預測被掩碼部分的視覺Token。

最終，這些預測出的視覺Token可以用來完成各種各樣的視頻生成和視頻編輯任務。

值得注意的是，在訓練WorldDreamer時，研究團隊還構建了Visual-Text-Action（視覺-文本-動作）數據的三元組，訓練時的損失函數僅涉及預測被掩蔽的視覺Token，沒有額外的監督信號。

而在團隊提出的這個數據三元組中，只有視覺信息是必須的，也就是說，即使在沒有文本或動作數據的情況下，依然可以進行WorldDreamer的訓練。

這種模式不僅降低了數據收集的難度，還使得WorldDreamer可以支持在沒有已知或只有單一條件的情況下完成視頻生成任務。

研究團隊使用大量數據對WorldDreamer進行訓練，其中包括20億經過清洗的圖像數據、1000萬段通用場景的視頻、50萬段高質量語言標注的視頻、以及近千段自動駕駛場景視頻。

團隊對10億級別的可學習參數進行了百萬次迭代訓練，收斂后的WorldDreamer逐漸理解了物理世界的變化和運動規律，并擁有了各種的視頻生成和視頻編輯能力。

論文地址：https://arxiv.org/abs/2401.09985
項目主頁：https://world-dreamer.github.io/