MarDini – Meta联合KAUST推出的视频生成扩散模型-爱论文

MarDini是什么

MarDini是新型的视频扩散模型，融合掩码自回归（MAR）和扩散模型（DM）的优势，用在大规模视频生成。模型能处理任意数量和位置的掩码帧，支持视频插值、图像到视频生成及视频扩展等多种任务。MarDini将大部分计算资源分配给低分辨率的规划模型，实现空间-时间注意力机制的大规模应用，提高视频生成的效率和灵活性。MarDini能从无标签数据中从头开始训练，无需依赖图像生成的预训练，展现出优异的可扩展性和效率。

MarDini的主要功能

视频插值：在两个给定帧之间生成中间帧，让视频流畅过渡。图像到视频生成：从单张图片出发，生成连续的视频内容。视频扩展：在现有视频基础上添加新的帧，扩展视频长度。慢动作视频生成：基于自回归推断，生成超出训练阶段定义的额外帧，创建慢动作效果的视频。零样本3D视图合成：即便没有3D数据训练，也能生成具有3D一致性的新视角画面。

MarDini的技术原理

掩码自回归（MAR）与扩散模型（DM）的结合：MarDini将MAR用在处理时间序列的长期依赖关系，DM专注于空间细节的生成。不对称网络设计：MAR在低分辨率下运行，拥有更多的参数，DM在高分辨率下运行，拥有较少的参数。让模型在低分辨率阶段能处理更多的计算任务，在高分辨率阶段专注于细节生成。端到端训练：基于掩码帧级扩散损失，MarDini从无标签视频数据中进行端到端训练。灵活的掩码策略：MarDini根据不同的任务需求，改变掩码帧的数量和位置，灵活地适应不同的视频生成任务。渐进式训练策略：模型逐步调整掩码比例和训练任务的难度，从视频插值平滑过渡到完整的视频生成。

MarDini的项目地址

项目官网：mardini-vidgen.github.ioarXiv技术论文：https://arxiv.org/pdf/2410.20280v1

MarDini的应用场景

娱乐与社交媒体：MarDini用在生成社交媒体上分享的短视频内容，如自动生成的舞蹈视频、特效视频或者用户自定义的故事短片。电影与视频制作：在电影后期制作中，MarDini生成或增强特效场景，或用在创建电影预告片中的某些镜头。游戏开发：在游戏开发中，生成游戏内的动态背景视频或者作为游戏角色动画的原型设计工具。虚拟现实（VR）与增强现实（AR）：MarDini用在生成VR或AR应用中的动态环境和场景，提升用户沉浸感。广告与营销：MarDini用在创建吸引人的广告视频，基于动态内容吸引潜在客户的注意力。