有这样一个模型。

它可以做到一句话生成视频：

不仅零样本就能搞定，性能还直达SOTA。

它的名字，叫“NüWA”（女娲）。

“女娲女娲，神通广大”，正如其名，一句话生成视频只是这个模型的技能之一。

除此之外，一句话生成图片，草图生成图像、视频，图像补全，视频预测，图像编辑、视频编辑——

一共八种视觉任务，它其实全部都能搞定。

完全是一位不折不扣的“全能型选手”。

它，就是由微软亚研院和北大联合打造的一个多模态预训练模型，在首届微软峰会上亮相。

目前，在推特上已“小有热度”。

八项全能“女娲”，单拎出来也不差

所以这个全能型选手究竟表现如何？

直接与SOTA模型对比，来看看“她”在各项任务上的表现。

在文本生成图像中，不得不说，即使“女娲”的FID-0得分不及XMC-GAN，但在实际效果中，“女娲”生成的图肉眼可见的更好，清晰又逼真。

文本到视频中，“女娲”每一项指标都获得了第一名，从逐帧图片来看，差距很明显。

在视频预测中，所有模型使用64x64的分辨率，Cond.代表供预测的帧数。

尽管只有1帧，“女娲”也将FVD得分从94±2降到86.9。

草图转图像时，与SOTA模型相比，“女娲”生成的卡车都更逼真。

而在零样本的图像补全任务中，“女娲”拥有更丰富的“想象力”。

在零样本的图像编辑任务中，“女娲”明显比SOTA模型的“P图”能力更强。

并且，它的另一个优势是推理速度，几乎50秒就可以生成一个图像；而Paint By Word在推理过程中需要额外的训练，大约需要300秒才能收敛。

而草图生成视频以及文本引导的视频编辑任务，是本次研究首次提出，目前还没有可比对象。

直接上效果：

看，像上面这些仅用色块勾勒轮廓的视频草图，经“女娲”之手就能生成相应视频。

而输入一段潜水视频，“女娲”也能在文本指导下让潜水员浮出水面、继续下潜，甚至“游”到天上。

可以说，“女娲”不仅技能多，哪个单项拿出来也完全不赖。

如何实现？

这样一个无论操作对象是图像还是视频，无论是合成新的、还是在已有素材上改造都能做到做好的“女娲”，是如何被打造出来的呢？

其实不难，把文字、图像、视频分别看做一维、二维、三维数据，分别对应3个以它们为输入的编码器。

另外预训练好一个处理图像与视频数据的3D解码器。

两者配合就获得了以上各种能力。

其中，对于图像补全、视频预测、图像视频编辑任务，输入的部分图像或视频直接馈送给解码器。

而编码解码器都是基于一个3D Nearby的自注意力机制（3DNA）建立的，该机制可以同时考虑空间和时间轴的上局部特性，定义如下：

W表示可学习的权重，X和C分别代表文本、图像、视频数据的3D表示：

其中，h和w表示空间轴上的token数，s表时间轴上的token数（文本默认为1），d表示每个token的维数。

如果C=X，3DNA表示对目标X的自注意；如果C≠X，3DNA表示对在条件C下目标X的交叉注意。

该机制不仅可以降低模型的计算复杂度，还能提高生成结果的质量。

此外，模型还使用VQ-GAN替代VQ-VAE进行视觉tokenization，这也让生成效果好上加好。

团队介绍：

一作Chenfei Wu，北京邮电大学博士毕业，现工作于微软亚研院。

共同一作Jian Liang， 来自北京大学。

其余作者包括微软亚研院的高级研究员Lei Ji，首席研究员Fan Yang，合作首席科学家Daxin Jiang，以及北大副教授方跃坚。

通讯作者为微软亚研院的高级研究员&研究经理段楠。

关键词： 女娲 图像 模型 视频 token 文本 微软 解码器 草图 sota