聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)載發(fā)布。

自 Sora 誕生以來，視頻內(nèi)容創(chuàng)作已進(jìn)入快車道，AI 技術(shù)賦能內(nèi)容生產(chǎn)的時(shí)代已經(jīng)到來。

今年 4 月，生數(shù)科技聯(lián)合清華大學(xué)推出首個(gè)基于 U-ViT 的國產(chǎn)全自研視頻大模型 Vidu，打破了國外技術(shù)封鎖，支持一鍵生成 16 秒高清視頻，展現(xiàn)了我國科技企業(yè)的創(chuàng)新能力。自 7 月上線以來，Vidu 已服務(wù)數(shù)千萬用戶，極大促進(jìn)了視頻內(nèi)容的智能創(chuàng)作。近期，騰訊混元、阿里通義萬相等開源視頻生成模型相繼亮相，可生成 5-6 秒視頻，降低了視頻創(chuàng)作門檻。

盡管如此，目前國內(nèi)外視頻社區(qū)仍有用戶反映現(xiàn)有開源模型在生成時(shí)長受限于 5-6 秒的短視頻，難以滿足需求。

今天，Vidu 團(tuán)隊(duì)帶來了 RIFLEx 解決方案——一個(gè)簡潔優(yōu)雅的解決方案。新方案只需一行代碼，無需額外訓(xùn)練即可突破視頻生成模型時(shí)長限制，打破了「短視頻魔咒」。目前該項(xiàng)目已經(jīng)開源，體現(xiàn)了團(tuán)隊(duì)對開源社區(qū)的積極回饋和貢獻(xiàn)。

RIFLEx 適用于基于 RoPE 的各類 Video Diffusion Transformer，例如 CogvideoX、混元（參考之前推送）和通義萬相（參考之前推送）。

下列開源模型無需任何訓(xùn)練即可將視頻時(shí)長外推兩倍至10秒：

- 示例 1：prompt: 一只棕白相間的動(dòng)畫豪豬好奇地審視著緞帶裝飾的綠色盒子，靈動(dòng)的眼神與細(xì)膩的3D動(dòng)畫風(fēng)格營造出溫馨而精致的視覺體驗(yàn)。

- 示例 2：prompt: 荒涼空地上的簡易營地散布著無人機(jī)與物資，軍人與平民共處，一名男子絕望抱頭，女子憂慮注視，沉重氛圍暗示剛經(jīng)歷重大事件，鏡頭穩(wěn)定細(xì)膩，突出緊張與不安感。

- 示例 3：sora的經(jīng)典長毛猛犸象prompt

- 示例 4：在短視頻微調(diào)幾千步可進(jìn)一步提升性能。

在馬車內(nèi)，一位留著胡須、穿著格子襯衫的guys專注地端詳一枚硬幣。他與一名女子進(jìn)行交談，鏡頭切換展現(xiàn)了歷史劇風(fēng)格與戲劇氛圍。

動(dòng)畫中的兔子和老鼠穿著探險(xiǎn)裝備，正面臨著生死時(shí)刻。它們急速墜入一個(gè)黑暗且未知的空間，隨后在寧靜的水下世界中漂浮并游動(dòng)。緊張而堅(jiān)定的表情通過中景與特寫鏡頭展現(xiàn)，高質(zhì)量的3D動(dòng)畫風(fēng)格增強(qiáng)了影片的沉浸感。

留著胡須的guys穿著一件格子襯衫，坐在吉他前深情地演唱。他的室內(nèi)環(huán)境簡潔，背景是一面純灰色墻壁，左側(cè)放著一個(gè)吉他音箱和麥克風(fēng)架，右側(cè)則擺放著一疊書籍。

此外，RIFLEx不僅支持基于時(shí)間維度的外推功能，還可以擴(kuò)展至空間維度，比如通過局部畫面超分辨率重建、修復(fù)缺失區(qū)域或擴(kuò)展視頻邊界內(nèi)容。此外，RIFLEx還支持時(shí)空外推，例如生成未來高分辨率視頻序列或動(dòng)態(tài)擴(kuò)展視頻的時(shí)空內(nèi)容，兼顧時(shí)間連續(xù)性與空間一致性。

圖片分為兩部分，左側(cè)為訓(xùn)練尺寸，右側(cè)為外推結(jié)果

訓(xùn)練尺寸：480x720x49

外推結(jié)果：960x1440x97

這項(xiàng)研究成果一經(jīng)發(fā)布，立刻引起了廣泛關(guān)注。

著名博主 Ak 是第一人轉(zhuǎn)發(fā)，海外科技公司與博主對其表示高度贊賞，稱其為「視頻擴(kuò)散模型領(lǐng)域的突破性創(chuàng)新」。

Diffusers核心貢獻(xiàn)者 sayakpaul 和 a-r-r-o-w 也收藏了代碼，并在評論區(qū)表示贊賞。

目前，RIFLEx 已被集成到多個(gè)知名視頻生成倉庫中。

本研究揭示了 RIFLEx：通過簡化復(fù)雜性，直接觸及技術(shù)本質(zhì)。

在大型語言模型中，外推長度問題已有研究，但在視頻生成中，這些方法常遇到瓶頸，導(dǎo)致重復(fù)或拖動(dòng)效果。外推導(dǎo)致視頻重復(fù)，紅色框標(biāo)識(shí)開始與視頻開頭重復(fù)。

同時(shí)，結(jié)合外推與內(nèi)插編碼（Yarn）也會(huì)導(dǎo)致慢動(dòng)作效果。

為解決這一難題，Vidu 團(tuán)隊(duì)深入分析了 RoPE 的頻率成分特性：

1. 時(shí)間依賴距離：不同頻率成分僅能捕捉特定周期長度的幀間依賴關(guān)系。當(dāng)幀數(shù)超過周期長度時(shí)，周期特性導(dǎo)致位置編碼重復(fù)，從而使視頻內(nèi)容出現(xiàn)重復(fù)。

2. 運(yùn)動(dòng)速度：不同頻率成分捕捉不同的運(yùn)動(dòng)速度，由該頻率位置編碼變化率決定。高頻成分捕捉快速運(yùn)動(dòng)，低頻成分捕捉慢速運(yùn)動(dòng)。

當(dāng)所有頻率成分結(jié)合時(shí)，存在一個(gè)“內(nèi)在頻率”，即周期距離首次觀測重復(fù)幀最近的成分，它決定了視頻外推時(shí)的重復(fù)模式。

基于此，團(tuán)隊(duì)提出 RIFLEx：通過降低內(nèi)在頻率，確保外推后的視頻長度在一個(gè)周期內(nèi)，從而避免內(nèi)容重復(fù)。該方法僅需在經(jīng)典 RoPE 編碼中添加一行代碼即可實(shí)現(xiàn)。

這一創(chuàng)新思路為視頻生成技術(shù)的發(fā)展提供了新方向，具有廣闊的應(yīng)用前景。

團(tuán)隊(duì)介紹

本團(tuán)隊(duì)是世界頂尖的人工智能研究力量之一，專注于推動(dòng)擴(kuò)散模型技術(shù)的發(fā)展。核心成員趙敏，現(xiàn)為清華大學(xué)TSAIL實(shí)驗(yàn)室研究員，其研究方向聚焦于基于擴(kuò)散模型的視覺內(nèi)容生成技術(shù)。作為生數(shù)科技的重要成員，趙敏在TSAIL團(tuán)隊(duì)中承擔(dān)著核心職責(zé)，曾以第一作者身份在NeurIPS、ICLR、ECCV等國際頂級(jí)會(huì)議和期刊發(fā)表多篇高水平論文，并受邀入選2024年清華大學(xué)"水木學(xué)者"計(jì)劃。她的個(gè)人主頁可通過鏈接https://gracezhao1997.github.io/訪問。

清華大學(xué)TSAIL團(tuán)隊(duì)長期專注于擴(kuò)散模型領(lǐng)域的創(chuàng)新研究，取得了一系列重要成果。包括開發(fā)出Analytic-DPM（該成果曾榮獲ICLR 2022 "杰出論文獎(jiǎng)"）、U-ViT、DPM-solver等創(chuàng)新性算法，并研制出一個(gè)與Sora相媲美的視頻生成大模型Vidu。該團(tuán)隊(duì)的其他成員均為TSAIL實(shí)驗(yàn)室的研究生，其中何冠德和朱泓舟參與了Vidu的研發(fā)工作，陳亦逍為計(jì)算機(jī)系在讀本科生，李崇軒則已成為人民大學(xué)高瓴人工智能學(xué)院的副教授。他們的研究為擴(kuò)散模型技術(shù)的應(yīng)用提供了堅(jiān)實(shí)的技術(shù)支撐。

（注：視頻鏈接保持不變：https://mp.weixin.qq.com/s/q5Z9v2SekkD8Dv4w5E2RAA）