SVD官方主页 ： Huggingface | | Stability.ai || 论文地址
huggingface在线运行demo : https://huggingface.co/spaces/multimodalart/stable-video-diffusion
SVD开源代码：Github（含其他项目） || Huggingface
在Comfyui使用： ComfyUI国内下载 | SVD模型下载 | | 官网下载(Github)

一、SVD是什么，能做什么？(图片到视频)

2023年11月21日 由 Stability AI 开源2个图片到视频模型(“Stable Video Diffusion”（稳定视频扩散模型)
它将静止图像（still image）作为条件帧(conditioning frame)，并从中生成视频分辨率（1024x576）。

1. 上传已有1张图片，生成相关的视频片段、生成视频长度2-5秒，帧率 3-30帧每秒，
2. 串联一个Stable-XL模型，生成图片后，再生成视频 (文字到图片再到视频)

1.1 模型的缺点(不能干的事情)？

1. 生成的视频相当短（<=4秒），并且该模型没有实现完美的真实感。
2. 该模型可能生成没有运动的视频，或者生成非常慢的相机平移(没变化)。
3. 不能直接文本控制模型 (需要串联其他模型)。
4. 该模型无法呈现清晰的文本(legible text)(让艺术字动起来)。
5. 一般来说，人脸和人物可能无法正确生成。
6. 模型的自动编码部分是有损的（lossy）。

二、在comfyui中使用 (约15G显存)

使用说明： https://comfyanonymous.github.io/ComfyUI_examples/video/

2.1 Stable-XL生成图片再生成视频(Text2Img2Video)

工作流文件： 链接：https://pan.baidu.com/s/1CvyGmUibreM8SM7AFjt1uA?pwd=0125

第一次初始化+运行示例，在3090Ti上花费 209.35秒

拍摄美丽的风景自然山脉阿尔卑斯河急流雪天积云

photograph beautiful scenery nature mountains alps river rapids snow sky cumulus clouds

第二次 花费 生成图片（6秒）+视频 （花费70秒）

题词来源于论文图17

一艘悠闲地沿着塞纳河航行的船，背景是文森特·梵高的埃菲尔铁塔

题词

A boat sailing leisurely along the Seine River with the Eiffel Tower in background by Vincent van Gogh

一只独角兽在一个神奇的小树林里，非常详细

A unicorn in a magical grove, extremely detailed

使用上传的图片生成视频?

三、方法 （未完待续）

该模型训练经过，

1. 在给定相同大小的上下文帧的情况下，以576x1024的分辨率生成25帧，
2. 再从图像帧微调为视频[14帧]。我们还对广泛使用的f8解码器（ f8-decoder ）进行了时间一致性（temporal consistency）微调。
3. 为了方便起见，我们在这里为该模型额外提供了标准的逐帧解码器(frame-wise decoder )。

利用了Nvidia提出的Align your Latents基本结构
Align your Latents: 23.07.High-Resolution Video Synthesis with Latent Diffusion Models
项目主页： https://research.nvidia.com/labs/toronto-ai/VideoLDM/