MarDini是一款創新的視頻生成模型，結合了掩碼自回歸（MAR）和擴散模型（DM）的優點，專為大規模視頻生成而設計。它能夠處理任意數量和位置的掩碼幀，支持多種任務，包括視頻插值、圖像轉視頻生成及視頻擴展。MarDini通過將大部分計算資源分配給低分辨率的規劃模型，成功實現了空間-時間注意力機制的廣泛應用，從而顯著提升了視頻生成的效率與靈活性。此外，MarDini無需依賴圖像生成的預訓練，可以從無標簽數據中進行自我訓練，展現出卓越的可擴展性和效率。

MarDini是什么

MarDini是一種新型的視頻擴散模型，融合了掩碼自回歸（MAR）與擴散模型（DM）的優勢，旨在提升大規模視頻生成的能力。該模型能夠靈活應對任意數量和位置的掩碼幀，從而支持多種應用，如視頻插值、圖像轉視頻生成及視頻擴展。MarDini有效地將計算資源重心放在低分辨率的規劃模型上，利用空間-時間注意力機制的廣泛應用，顯著提升了生成效率和靈活性。該模型可以從無標簽數據中進行端到端訓練，避免了對圖像生成預訓練的依賴，展現出優秀的可擴展性與效率。

主要功能

• 視頻插值：在兩幀視頻之間生成中間幀，實現流暢的過渡效果。
• 圖像轉視頻生成：從單幅圖像生成連續的視頻內容，創造動態效果。
• 視頻擴展：在現有視頻基礎上添加新幀，延長視頻播放時長。
• 慢動作視頻生成：利用自回歸推斷生成超出訓練定義的額外幀，形成慢動作效果的視頻。
• 零樣本3D視圖合成：無需3D數據訓練，即可生成具有3D一致性的新視角畫面。

技術原理

• 掩碼自回歸（MAR）與擴散模型（DM）的結合：MarDini通過MAR處理時間序列的長期依賴關系，同時利用DM專注于空間細節的生成。
• 不對稱網絡設計：MAR在低分辨率下運行，具備更多參數，而DM在高分辨率下則擁有較少參數，使得模型在低分辨率階段能夠處理更多計算任務，在高分辨率階段專注于細節生成。
• 端到端訓練：MarDini采用掩碼幀級擴散損失，能夠從無標簽視頻數據中進行全面訓練。
• 靈活的掩碼策略：根據不同任務需求，MarDini能夠靈活調整掩碼幀的數量和位置，適應多樣化的視頻生成任務。
• 漸進式訓練策略：模型通過逐步調整掩碼比例和任務難度，從視頻插值逐漸過渡到完整視頻生成。

項目地址

• 項目官網：mardini-vidgen.github.io
• arXiv技術論文：https://arxiv.org/pdf/2410.20280v1

應用場景

• 娛樂與社交媒體：MarDini可用于生成適合社交媒體分享的短視頻內容，如自動生成的舞蹈視頻、特效視頻或用戶定制的故事短片。
• 電影與視頻制作：在電影后期制作中，MarDini可用于生成或增強特效場景，或用于創作電影預告片中的特定鏡頭。
• 游戲開發：MarDini在游戲開發中能夠生成動態背景視頻，或作為游戲角色動畫的原型設計工具。
• 虛擬現實（VR）與增強現實（AR）：MarDini用于生成VR或AR應用中的動態環境和場景，增強用戶的沉浸體驗。
• 廣告與營銷：MarDini可用于制作引人注目的廣告視頻，通過動態內容吸引潛在客戶的關注。

常見問題

• MarDini是否支持實時視頻生成？：MarDini的設計旨在提高生成效率，適用于實時或近實時的視頻生成需求。
• 使用MarDini需要什么樣的硬件支持？：雖然MarDini在低分辨率下運行，但推薦配置較高的GPU以獲得更好的性能體驗。
• MarDini支持哪些視頻格式？：MarDini支持多種視頻格式的輸入和輸出，具體格式可參見項目文檔。
• 如何獲取MarDini的最新更新？：用戶可以通過項目官網和arXiv論文關注MarDini的最新動態與更新。