【Diffusion Models】新加坡国立大学、腾讯强强联手Tune-A-Video：One-Shot微调图像扩散模型用于文本到图像的生成！_哔哩哔哩_bilibili【Diffusion Models】新加坡国立大学、腾讯强强联手Tune-A-Video：One-Shot微调图像扩散模型用于文本到图像的生成！共计2条视频，包括：[论文代码阅读]Tune-A-Video_ One-Shot微调图像扩散模型用于文本到图像的生成新加坡国立大学、腾讯、3连等，UP主更多精彩视频，请关注UP账号。https://www.bilibili.com/video/BV1q24y1V79k/?spm_id_from=333.337.search-card.all.click&vd_source=4aed82e35f26bb600bc5b46e65e25c22视频生成和图像生成最大的不同在于要保证视频的连续性，运动主体不能变且运动主体的状态背景等不能产生突变，因此视频生成是一定要添加约束信息的，本文是在图像生成的基础上（T2I）通过特定设计的finetune来完成视频生成（T2V），作者说人类可以通过一个视频就能学习到新的试卷概念，因此设计了one shot video generation。怎么做呢？首先作者升级了stable diffusion的架构将2d卷积换成了3d卷积，并且将self-attention扩展到时空域，但转换之后的计算量会飙升，作者提出了sparse-causal attention，每一帧只和第一帧以及前一阵计算attention，可以极大减少计算量，在训练时，通过一段视频和相应的text进行微调，在推理时，要保证动词的一致性，可以更换背景和主题，依然能产生很好的连续性，one shot的视频实际上就是让T2I模型去学动作的。
如上图所示，第一行为原始的训练视频，训练完成之后，第二、三、四行均为推理视频，可见tune a video产生了主体一致性和动作一致性。
abstract：在现实中没有足够的视频文本对来训练T2V，人类可以从一个样本中学习新的视觉概念，因此本文研究一个新的方向，one shot视频生成，仅使用一个文本-视频对来训练一个T2V，基于已有的T2I的扩散的能力。有两个关键点，1.T2I模型能够生成很好的与动词相对齐的图像，2.扩展T2I模型同时产生多个图像有良好的一致性。为了进一步学习连续运动，采用定制的sparse-causal attention来微调模型。
1.introduction
视频生成的关键是保持一致主体的连续运动，motion and consistent object，如上图所示，第一行，给定text，例如一个男人正在沙滩上跑步，T2I能够很好的对齐动词信息，但是背景不同且不是一致的。但证明T2I可以通过cross-model attention来注意到动词。第二行作者采用了扩展的T2I模型，将T2I模型的中self-attention从一张图扩展到多张图保持跨帧时的内容一致性，并行的生成帧时都和第一帧做attention，可以看到尽管动作还不是连续的，但是主体背景等信息是一致的。可推论self-attention层仅由spatial similarities驱动而不是pixel positions（这块的解释可以从框架角度理解，因为最终推理时是无法改变one shot时学习的动作的，也就是说模型最终学习到的还是一致的空间相似度）。
tune a video对T2I在时间维度的简单膨胀，1.将3x3 conv换成1x3x3(unet中resnet卷积)，2.将spatial self-attention 换成spatio-temporal cross-frame attention。提出了一个简单的tune策略，只更新attention block中的投影矩阵，从one-shot视频中捕获连续的运动状态，其余参数均被冻结。但是spatio-temporal cross-frame attention参数量很大，提出了一个新的变体，sparse-causal attention（SC-Attn），它只计算第一帧和前一帧，自回归生成视频。
2.method
上图是本文的框架， 在fine-tune之前，现将T2I模型膨胀成T2V，其中T2V中的部分参数是从T2I中初始化的，然后采用一个视频去fine-tune，推理时，给定一个text即可生成视频，但是视频中动作是不能变的，one shot的视频就是一个动作。
上图是pipeline，首先输入视频和文本，在unet中有三attention，第一个是SC-Attn，第二个是cross-Attn（不同模态之间的attn），第三个是新增的Temp-Attn，黄色表示不断更新的，灰色表示不更新的其中Q，query是不断更新的，KV是不更新。右侧是sparse-causal attention，计算第i帧，要取到第1帧和i-1帧，之后分别投影得到KV，再计算softmax。
上式可以看到Q是第i帧通过投影矩阵产生，但是K和V就不是了，常规操作，ldm中text conditional都是加在KV上的。这里，第一帧做attention能够保证在生成内容上的全局一致性，与前一帧计算attention能够保持运动的一致性，连续性。
network inflation
普通的unet是由多层2d convolution residual blocks构成，后续是attention，每一个attention是由一个self-attention、一个cross-attention和一个feed-forward network构成，spatial self-attention利用特征图上pixel locations来实现similar correlations，cross-attention则考虑pixel和conditional input(text)之间的相关性。
首先对输入视频使用1x3x3的卷积，可以将frame的1转到batch处理，所以2d还是可以的。
sparse-casual attention
如上图所示，v表示帧，第一个是spatial attention，在单帧之间做attention，第二张图是spatio-temporal attention，每一帧和所有帧之间计算attention，计算量是第一张图的平方，第三张图是causal attention，第i帧只会和所有的i-1帧计算attention，第四张图就是本文使用的sparse-causal attention，第四帧只与第一帧和第三帧计算attention，是前一张图的稀疏版本。