前段时间OpenAI发布的Sora引起了巨大的轰动，最长可达1分钟的高清连贯视频生成能力秒杀了一众视频生成玩家。因为Sora没有公开发布，网上对Sora的解读翻来覆去就那么多，我也不想像复读机一样再重复一遍了。
本文给大家介绍一个类似Sora的视频生成项目：Latte。为什么说它类似Sora呢？这个项目的全称是：Latent Diffusion Transformer for Video Generation（用于视频生成的潜在扩散转换器），对Sora生成技术有所了解的同学看到 Diffusion 和 Transformer 这两个单词应该就明白我在说什么了，Sora也同样使用了这两种技术。而且 Sora 和 Latte 都声称参考了DiT（Scalable Diffusion Models with Transformers）项目，它们的技术路线应该都是差不多的。最重要的是 Latte 是开源的，可以自己部署着玩，这篇文章就给大家介绍下 Latte 的原理和使用方法。
对 Diffusion 和 Transformer 这两种技术完全没概念的同学可以看我之前写的一篇科普文章：AI视频生成的重大突破：OpenAI的梦幻制造机Sora
效果演示
下图是官网的文生视频效果展示。注意实际生成时也需要抽卡，有时候效果也是一言难尽。
Latte介绍
Latte（Latent Diffusion Transformer）是一种用于视频生成的创新模型。它首先通过预训练的变分自编码器（VAE）将输入视频编码为潜在空间中的特征，并从中提取出时空令牌（Token）。然后应用一系列 Transformer 块对这些令牌进行建模，以捕捉视频数据分布。由于视频具有复杂的时空信息且高分辨率帧内包含大量细节，Latte设计了四种不同的高效Transformer变体，这四种变围绕如何有效地利用Transformer网络捕获视频数据中的时空分布信息展开，各自探索了不同的空间-时间分解方法、信息融合策略以及计算效率优化方案。
- 变体1：该变体的Transformer主干结构包括空间Transformer块和时间Transformer块。空间Transformer块专注于在同一时间索引下的视频令牌之间捕捉纯空间信息，通过关注相同时间步内的像素或区域之间的关联性来提取空间特征。而时间Transformer块则采用“交错融合”的方式处理跨时间维度的信息，以捕捉不同时间帧间的变化和动态内容。
- 变体2：不同于变体1中的即时融合策略，变体2可能采用了“晚期融合”机制，即先独立处理空间和时间维度上的信息，在后续阶段再将两者合并，以另一种方式整合时空上下文。
- 变体3：此变体主要聚焦于对Transformer内部多头注意力模块进行分解。它首先仅在空间维度上计算自注意力，随后再在时间维度上执行自注意力计算。这样设计的目的是让每个Transformer块能够先后分别从空间和时间角度理解输入序列，并最终综合捕获并建模视频的时空信息。
- 变体4：变体4将多头注意力（MHA）分解为两个组件，利用不同的组件分别处理空间和时间维度上的令牌。在Transformer主干结构之后，通过采用标准线性解码器以及重塑操作，对视频令牌序列进行解码，从而得出预测噪声和预测协方差。。
在实际应用时，Latte首先将视频帧序列转换为一系列令牌，并利用上述某种变体中对应的 Transformer 结构对这些令牌进行编码和解码。具体来说，在生成阶段，模型会依据学习到的反向扩散过程，在潜在空间中逐步还原出低噪声的视频帧表示，并最终重构为连续且逼真的视频内容。
实验结果显示，Latte在FaceForensics、SkyTimelapse、UCF101和Taichi-HD这四个标准视频生成数据集上，Latte能够生成逼真的、具有连贯时序内容的视频，并在Fréchet视频距离（FVD）、Fréchet Inception Distance (FID)和Inception Score等指标上达到了最先进的性能水平。
此外，Latte还被扩展到文本到视频生成任务（T2V），其表现与当前的T2V模型相当。不过可能模型训练的数据还不够，生成的视频效果还有很大提升空间。
使用Latte
这里主要介绍使用Latte进行推理的方法，有两种方式，一是直接使用我制作的AutoDL镜像，二是手动一步步安装。注意Latte预训练的模型只能生成2秒的视频，更长的视频需要自己训练模型，训练视频模型比较耗费资源，需要的直接看Github上的说明就行了：GitHub - Vchitect/Latte: Latte: Latent Diffusion Transformer for Video Generation.。
使用AutoDL镜像
AutoDL访问地址：https://www.autodl.com，AutoDL的注册和使用方法可以看这篇文章：
1、创建服务器实例时镜像选择：Vchitect/Latte/yinghuoai-latte 的最新版本。我已经在3090、4090、3080*2等显卡型号上测试通过，其它型号可能问题也不大。
2、打开服务器实例的 JupyterLab，进入操作环境。
操作环境如下图所示，左侧是文件及目录，我编写了一个生成器的页面，可以在其中直接执行相关视频生成命令，目前可以生成四种固定类型的视频，以及通过文本自由生成视频。
3、点击选中下方的代码单元格后，再点击菜单栏中的“箭头按钮”即可执行对应的生成任务。
注意需要先执行“初始化”命令，后边的视频生成任务随便执行。
任务执行进度如下，执行可能较慢，请耐心等待！
日志中显示了生成的视频位置。
可在左侧目录中找到，然后在对应的文件上右键下载。
手动安装
手动安装步骤比较多，请大家跟紧了。
安装conda
因为需要安装大量的python包，为了方便，我们这里使用conda包管理，没安装的同学先安装：Installing Miniconda — Anaconda documentation
如果已经安装过，可以通过命令升级到最新版本：
conda update -n base -c defaults conda下载Latte
代码地址：GitHub - maxin-cn/Latte: The official implementation of Latte: Latent Diffusion Transformer for Video Generation.
通过git安装的方法：
git clone https://github.com/maxin-cn/Latte.git修改依赖包的版本
Latte对python和相关包的版本依赖比较重，实测需要调整下官方提供的环境依赖文件。
在Latte根目录中找到 environment.yml 文件，完整修改如下：
name: latte
channels:- pytorch- nvidia
dependencies:- python = 3.10.8- pytorch = 2.0.0- torchvision- pytorch-cuda=11.7- pip- pip:- timm- diffusers[torch]==0.24.0- accelerate- tensorboard- einops- transformers- av- scikit-image- decord- pandas- imageio-ffmpeg修改的就是下图中这三个：
创建Python虚拟环境
使用下边的命令，实测还需要再补充安装一些python包。
# 进入Latte目录
cd Latte
# 清理latte虚拟环境
conda remove --name latte --all
# 创建latte虚拟环境
conda env create -f environment.yml
# 激活latte虚拟环境
source activate latte# 在latte虚拟环境中补充安装一些python包
pip install omegaconf
pip install SentencePiece
pip install beautifulsoup4
pip install ftfy
pip install codewithgpu下载预训练模型
预训练模型是Latte官方提前训练好的模型，我们可以直接使用。
建议从huggingface下载：
https://huggingface.co/maxin-cn/Latte/tree/main
或者从这个国内镜像站：
maxin-cn/Latte · HF Mirror
生成视频
Latte项目中内置了几个脚本，可以帮我们快速生成视频。
sample 目录下这几个sh文件就是，可以在shell或者命令行程序中执行它们。
我们看一个 t2v.sh:
export CUDA_VISIBLE_DEVICES=5
python sample/sample_t2v.py --config configs/t2v/t2v_sample.yaml这里首先通过export设置使用哪个显卡，如果只有1个，请设置为0。
然后就是运行python程序生成视频的命令，注意后边的配置文件，官方也提供了示例，就在config目录下，需要根据实际情况进行修改。
- ckpt：使用的模型文件路径，请修改“/path/to”为上一步下载模型的本地保存目录。
- save_img_path：视频保存路径。
- pretrained_model_path：文本生成视频专用的一些模型，请修改“/path/to”为上一步下载模型的本地保存目录。
其它参数基本不需要调整了，当然可以改改试试。
以上就是本文的主要内容了，如有兴趣欢迎讨论交流。
