EasyAnimate-v3版本支持I2V及超长视频生成

阿里云人工智能平台（PAI）自研开源的视频生成项目EasyAnimate正式发布v3版本：

• 支持 图片（可配合文字） 生成视频

• 支持 上传两张图片作为起止画面 生成视频

• 最大支持720p（960*960分辨率） 144帧视频生成

• 最低支持 12G 显存使用（3060 12G可用）

• 视频续写生成无限时长视频

项目主页：https://easyanimate.github.io

开源地址：GitHub - aigc-apps/EasyAnimate: 📺 An End-to-End Solution for High-Resolution and Long Video Generation Based on Transformer Diffusion

技术报告：https://arxiv.org/abs/2405.18991

PAI平台上快速体验：阿里云登录 - 欢迎登录阿里云，安全稳定的云计算服务平台

效果展示

EasyAnimate-v3

上图展示图生视频和文生视频的输入参考图、Prompt（提示词）及生成结果。

项目提供基于Gradio搭建的WebUI界面，上手非常方便。

模型结构

• EasyAnimate-v3采用Diffusion Transformer（DiT）结构，T5作为Text Encoder，整体框架如上图a所示。

• 图b是我们设计的混合运动模块（Hybrid Motion Module）：

• 偶数层：时间序列上集成注意力机制，模型学习时序信息。

• 奇数层：全局序列（空间+时间）上进行全局注意力学习（Global Attention），提高模型全局感受野。

• 参考图c的U-ViT，为了提高训练稳定性，我们引入跳连接结构（Skip Connection），引入的浅层特征进一步优化深层特征，并且在每个Skip Connection额外增加一个零初始化（Zero Initialize）的全连接层（Linear Layer），使其可以作为一个可插入模块应用到已经训练好的DiT结构中。

EasyAnimate-v3中的Slice VAE（Variational Auto Encoder）结构如上，不仅有1/4的时序压缩率，还支持对不同输入使用不同的处理策略：

• 输入视频帧时：在高宽与时间轴上进行压缩，例如当输入为512512分辨率8帧的视频帧时，将其压缩为64642的Latent向量。

• 输入图片时：则仅仅在高宽上进行压缩，列入当输入为512512分辨率的图片时，将其压缩为6464*1的Latent向量。

EasyAnimate-v3版本新增的图生视频Pipeline如上图所示，我们提供视觉-文本双流的信息注入：

• 需要重建的部分和重建的参考图分别通过Slice VAE进行编码（上图黑色的部分代表需要重建的部分，白色的部分代表首图），然后和随机初始化的Latent进行Concat合并。假设我们期待生成一个384672分辨率144帧的视频，此时的初始Latent就是4x36x48x84，需要重建的部分和重建的参考图编码后也是4x36x48x84，三个向量Concat合并到一起后便是12x36x48x84，传入DiT模型中进行噪声预测。

• 文本提示词这里，我们使用CLIP Image Encoder对输入图片编码后，使用一个CLIP Projection进行映射，然后将结果与T5编码后的文本进行Concat合并，二者在DiT中进行Cross Attention。