內(nèi)容一覽：Runway 是一家人工智能視頻編輯軟件供應(yīng)商。據(jù)了解，本屆奧斯卡最大贏家影片《瞬息全宇宙》制作過程中采用了這家公司的技術(shù)。

關(guān)鍵詞：瞬息全宇宙 Runway Gen-1

本文首發(fā)在?HyperAI超神經(jīng)微信公眾號(hào)~

北京時(shí)間 3 月 13 日上午，2023 年奧斯卡頒獎(jiǎng)禮在洛杉磯舉行，影片《瞬息全宇宙》一舉斬獲七項(xiàng)大獎(jiǎng)，成為最大贏家。主演楊紫瓊也憑借該片將奧斯卡最佳女主角獎(jiǎng)收入囊中，成為奧斯卡歷史上首位華裔影后。

據(jù)了解，這部正在被熱議的科幻電影背后的視覺效果團(tuán)隊(duì)僅有 5 人，為了盡快完成這些特效鏡頭，他們選擇了 Runway 公司的技術(shù)來幫助創(chuàng)建某些場(chǎng)景，比如為圖像去除背景的綠幕工具 (The Green Screen)。

「僅僅幾次點(diǎn)擊就讓我節(jié)省幾個(gè)小時(shí)，我可以用這些時(shí)間嘗試三四種不同的效果，讓影片效果更好?！箤?dǎo)演兼編劇 Evan Halleck 受訪時(shí)談道。

Runway：參與初代 Stable Diffusion 開發(fā)

2018 年底，Cristóbal Valenzuela 聯(lián)合其他成員創(chuàng)立 Runway。它是一家人工智能視頻編輯軟件提供商，致力于利用計(jì)算機(jī)圖形學(xué)及機(jī)器學(xué)習(xí)的最新進(jìn)展，為設(shè)計(jì)師、藝術(shù)家和開發(fā)人員降低內(nèi)容創(chuàng)作的門檻、推動(dòng)創(chuàng)意內(nèi)容的發(fā)展。

除此之外，Runway 還有一個(gè)鮮為人知的身份--Stable Diffusion 初始版本的主要參與公司。

2021 年，Runway 與德國慕尼黑大學(xué)合作，構(gòu)建了第一個(gè)版本的 Stable Diffusion，隨后英國初創(chuàng)公司 Stability AI 「帶資進(jìn)組」，為 Stable Diffusion 提供了更多模型訓(xùn)練所需的計(jì)算資源和資金。不過目前 Runway 和 Stability AI 已經(jīng)不再合作。

2022 年 12 月，Runway 獲得 5000 萬美元的 C 輪融資，除《瞬息全宇宙》團(tuán)隊(duì)外，客戶還包括傳媒集團(tuán) CBS、MBC，廣告公司 Assembly、VaynerMedia，設(shè)計(jì)公司 Pentagram 等。

2023 年 2 月 6 日，Runway 官方推特發(fā)布 Gen-1 模型，可以通過應(yīng)用文本提示或者參考圖像所指定的任意風(fēng)格，將現(xiàn)有視頻轉(zhuǎn)換為新視頻。

Gen-1：structure + content 雙管齊下

科研人員提出了一個(gè)結(jié)構(gòu) (structure) 和內(nèi)容 (content) 引導(dǎo)的 video diffusion model--Gen-1，可以依據(jù)預(yù)期輸出的視覺或文本描述，對(duì)視頻進(jìn)行編輯。

所謂 content，是指描述視頻的外表 (appearance) 和語義的特征，如目標(biāo)物體的顏色、風(fēng)格以及場(chǎng)景的燈光。

而 structure 則是指描述其幾何和動(dòng)態(tài)的特征，如目標(biāo)物體的形狀、位置以及時(shí)間變化。

Gen-1 模型的目標(biāo)是在保留視頻 structure 的同時(shí)，編輯視頻 content。

在模型訓(xùn)練過程中，科研人員用到了一個(gè)由未加字幕的視頻及 text-image pair 構(gòu)成的大規(guī)模數(shù)據(jù)集，同時(shí)，用單目場(chǎng)景深度預(yù)測(cè) (monocular depth estimates) 來表示 structure，用預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的 embedding 來表示 content。

該方法在生成過程中提供了幾種強(qiáng)大的控制模式：

1. 參考圖像合成模型，訓(xùn)練模型使得推理的視頻 content（如呈現(xiàn)或風(fēng)格）與用戶提供的 image 或 prompt 相匹配。

Guided Video Synthesis 示例 在保留輸入視頻（中間）structure 的同時(shí) 基于文本提示或圖像合成的視頻（上及下）

2. 參考 diffusion 過程，對(duì)結(jié)構(gòu)表征 (structure representation) 進(jìn)行 information obscuring，這使得開發(fā)者可以自行設(shè)定 model adhere 對(duì)于給定 structure 的相似程度。

3. 參考 classifier-free guidance，借助自定義 guidance 方法，調(diào)整推理過程，從而控制生成 clip 的時(shí)間一致性。

在該實(shí)驗(yàn)中，科研人員：

• 通過在預(yù)訓(xùn)練的圖像模型中引入 temporal layer，并對(duì)圖像和視頻進(jìn)行聯(lián)合訓(xùn)練，將 latent diffusion model 擴(kuò)展到視頻生成中。

• 提出了一個(gè) structure 和 content-aware 模型，可以在示例圖像或文本的指導(dǎo)下修改視頻。視頻編輯完全是在推理階段進(jìn)行的，無需逐個(gè)視頻進(jìn)行訓(xùn)練或預(yù)處理。

• 對(duì) temporal、content 和 structure 一致性的完全控制。實(shí)驗(yàn)表明，在圖像和視頻數(shù)據(jù)上的聯(lián)合訓(xùn)練，能夠在推理期間上控制一致性 (temporal consistency)。對(duì)于結(jié)構(gòu)一致性 (structure consistency)，在表征的不同細(xì)節(jié)水平上訓(xùn)練，使用戶得以在推理過程中選擇所需的設(shè)置。

• 一項(xiàng)用戶調(diào)研表明，該方法比其他幾種方法更受歡迎。

• 通過對(duì)一小部分圖像進(jìn)行微調(diào)，可以進(jìn)一步定制訓(xùn)練過的模型，以生成更準(zhǔn)確的特定 subject 的視頻。

為了評(píng)估 Gen-1 的性能，科研人員用 DAVIS 數(shù)據(jù)集中的視頻以及其他各種素材進(jìn)行了評(píng)估。為了自動(dòng)創(chuàng)建編輯 prompt，研究人員首先運(yùn)行了一個(gè) captioning 模型來獲得原始視頻內(nèi)容的描述，然后使用 GPT3 生成編輯 prompt。

實(shí)驗(yàn)結(jié)果表明，在對(duì)所有方法生成效果的滿意度調(diào)研中，75% 的用戶更傾向 Gen-1 的生成效果。

AIGC：爭(zhēng)議中前行

2022 年，生成式人工智能成為自十多年前移動(dòng)和云計(jì)算興起以來最引人注目的技術(shù)，我們正有幸見證其應(yīng)用層的萌芽，許多大模型正迅速從實(shí)驗(yàn)室中走出來，撲向真實(shí)世界的各個(gè)場(chǎng)景。

然而，盡管有提高效率、節(jié)省成本等諸多好處，我們也需要看到，生成式人工智能依然面臨多種挑戰(zhàn)，包括如何提高模型的輸出質(zhì)量和多樣性、如何提高其生成速度，以及應(yīng)用過程中的安全、隱私和倫理宗教等問題。

有些人對(duì) AI 藝術(shù)創(chuàng)作提出質(zhì)疑，更有甚者認(rèn)為這是一種 AI 對(duì)藝術(shù)的「入侵」，面對(duì)這種聲音，Runway 聯(lián)合創(chuàng)始人兼 CEO Cristóbal Valenzuela 認(rèn)為，AI 只是工具箱中一個(gè)用來給圖像等內(nèi)容上色或修改的工具，與 Photoshop、LightRoom 并無二致。雖然生成式人工智能還存在一些爭(zhēng)議，但它為非技術(shù)人員和創(chuàng)意人員打開了創(chuàng)作的大門，并將帶領(lǐng)內(nèi)容創(chuàng)作領(lǐng)域走向新的可能。

參考鏈接：

[1]https://hub.baai.ac.cn/view/23940

[2]https://cloud.tencent.com/developer/article/2227337?