机器之心报道
编辑：陈萍
北大团队联合兔展发起的 Sora 复现计划，现在有了新成果。
OpenAI 在今年年初扔出一项重大研究，Sora 将视频生成带入一个新的高度，很多人表示，现在的 OpenAI 一出手就是王炸。然而，众多周知的是，OpenAI 一向并不 Open，关于 Sora 的更多细节我们无从得知。谁能率先发布类 Sora 研究成了一个热门话题。
今年 3 月初，北大团队联合兔展启动了 Sora 复现计划 ——Open Sora Plan，该项目希望通过开源社区的力量复现 Sora。
项目上线一个月，星标量已经达到 6.6k。
项目地址：https://github.com/PKU-YuanGroup/Open-Sora-Plan
技术报告：https://github.com/PKU-YuanGroup/Open-Sora-Plan/blob/main/docs/Report-v1.0.0.md
现在这个项目终于有了新成果，Open-Sora-Plan v1.0.0 来了，新研究显著增强了视频生成的质量以及对文本的控制能力。研究者表示，他们正在训练更高分辨率（>1024）以及更长时间（>10s）的视频。目前该项目已支持国产 AI 芯片（华为昇腾 910b）进行推理，下一步将支持国产算力训练。
项目作者林彬表示：Open-Sora-Plan v1.0.0 可以生成1024×1024分辨率视频，也能生成10 秒、24 FPS 的高清视频。而且它还能够生成高分辨率图像。
下面我们看一下 v1.0.0 的效果（为了展示，动图进行了一些压缩，会损失一些质量）。
文本到视频生成
提示：海上的日落。
提示：黎明时分，宁静的海滩，海浪轻轻拍打着海岸，天空被涂上柔和的色调......
视频链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650913555&idx=3&sn=cda29f54783037b2666067d36c47b83c&chksm=84e47f6db393f67b53392e3e17ff70f8555f313b07e46435b93f0b3490bf26d33751135f0c42&token=1621133812&lang=zh_CN#rd
提示：沿海景观从日出到黄昏过渡的延时拍摄……
文本到视频生成的更多效果展示：
视频链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650913555&idx=3&sn=cda29f54783037b2666067d36c47b83c&chksm=84e47f6db393f67b53392e3e17ff70f8555f313b07e46435b93f0b3490bf26d33751135f0c42&token=1621133812&lang=zh_CN#rd
文本到图像生成（512×512 ）
视频重建（720×1280）
视频链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650913555&idx=3&sn=cda29f54783037b2666067d36c47b83c&chksm=84e47f6db393f67b53392e3e17ff70f8555f313b07e46435b93f0b3490bf26d33751135f0c42&token=1621133812&lang=zh_CN#rd
图像重建（1536×1024）：
在实现细节方面，通过团队放出的技术报告，我们得知模型架构 CausalVideoVAE 概览图如下所示：
CausalVideoVAE 架构继承自 Stable-Diffusion Image VAE。为了保证 Image VAE 的预训练权重能够无缝应用到 Video VAE 中，模型结构设计如下：
CausalConv3D：将 Conv2D 转换为 CausalConv3D，可以实现图像和视频数据的联合训练。CausalConv3D 对第一帧进行特殊处理，因为它无法访问后续帧。
初始化：Conv2D 扩展到 Conv3D 常用的方法有两种：平均初始化和中心初始化。但本文采用了特定的初始化方法 tail 初始化。这种初始化方法确保模型无需任何训练就能够直接重建图像，甚至视频。
训练细节：
上图展示了 17×256×256 下两种不同初始化方法的损失曲线。黄色曲线代表使用 tail init 损失，而蓝色曲线对应中心初始化损失。如图所示，tail 初始化在损失曲线上表现出更好的性能。此外，该研究发现中心初始化会导致错误累积，导致在长时间内崩溃。
训练扩散模型。与之前的工作类似，该研究采用了多阶段级联训练方法，总共消耗了 2048 A800 GPU 小时。研究发现，图像联合训练显着加速了模型收敛并增强了视觉感知，这与 Latte 的研究结果一致。
不过，目前发布的 CausalVideoVAE（v1.0.0）有两个主要缺点：运动模糊和网格效果。团队正在改进这些缺点，后续版本很快就会上线。
最后附上团队完整名单：