从 20 亿数据中学习物理世界，基于 Transformer 的通用世界模型成功挑战视频生成
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/
本文来自微信公众号：量子位 （ID：QbitAI），作者：允中