【论文笔记】VideoGPT: Video Generation using VQ-VAE and Transformers

 

论文标题：VideoGPT: Video Generation using VQ-VAE and Transformers

论文代码：https://wilson1yan. github.io/videogpt/index.html.

论文链接：https://arxiv.org/abs/2104.10157

发表时间： 2021年9月

Abstract

作者提出了VideoGPT：一种概念上简单的架构，用于将基于似然的生成建模扩展到自然视频。VideoGPT使用VQ-VAE，通过使用3D卷积和轴向自注意力学习原始视频的下采样离散潜在表示。然后使用类似于GPT的简单架构来自回归地建模离散潜在表示，使用时空位置编码。

尽管在公式和训练方面非常简单，但作者设计的架构能够生成与视频GAN模型相竞争的样本，用于BAIR机器人数据集的视频生成，并从UCF-101和Tumbler GIF数据集(TGIF)生成高保真度的自然视频。

样本和代码可在https://wilson1yan. github.io/videogpt/index.html.上获得

创新点

1. VideoGPT是一种基于似然的生成模型，它使用了VQ-VAE和Transformer两种技术来生成高质量自然视频。这种方法在视频生成领域是比较新颖的。

2. VideoGPT使用了VQ-VAE来学习原始视频的下采样离散潜在表示，这种表示可以被看作是对原始视频进行了压缩和抽象化。这种方法可以有效地降低模型的复杂度，并提高模型的泛化能力。

3. VideoGPT使用了轴向自注意力来处理3D卷积产生的长距离依赖关系，这种方法可以有效地捕捉视频中的时空信息，并提高模型的生成效果。

4. 在实验部分，VideoGPT在多个数据集上都表现出色，包括BAIR Robot Pushing Dataset、UCF-101和Tumbler GIF Dataset等。这表明VideoGPT具有很好的泛化能力和适应性。

Method

先介绍一下VQ-VAE：

VQ-VAE是一种用于生成模型的神经网络架构，它可以将高维数据点压缩到一个离散的潜在空间中，并从中重构原始数据。

VQ-VAE的全称是Vector Quantized Variational Autoencoder，它结合了自编码器和变分自编码器的思想，并使用了向量量化技术来实现离散化。

具体来说，VQ-VAE包含两个主要部分：编码器和解码器。编码器将输入数据映射到一个连续的潜在空间中，然后通过向量量化将这个连续空间转换为一个离散的潜在空间。解码器则将这个离散潜在空间映射回原始数据空间，并重构原始数据。

VQ-VAE使用了一种叫做“代码本”的技术来实现向量量化。代码本是由一组固定大小的向量组成的集合，每个向量都代表着潜在空间中的一个离散点。当输入数据被映射到连续潜在空间时，VQ-VAE会找到最接近该点的代码本向量，并用该向量来代替该点。

这样就可以将连续潜在空间转换为离散潜在空间。它使用了向量量化技术来实现离散化，并在图像、音频等领域取得了很好的效果。

说白了，VQ-VAE就是一种向量量化变分自编码器，通过使用最近邻查找将数据离散化为嵌入码本中的向量，以获得高效的数据压缩和图像重构。

最近邻查找就是“代码本”

---------------------------------------------------------------------------------------------------------------------------------

VideoGPT的运行：

首先，VideoGPT的输入是原始视频数据，它通过3D卷积进行下采样，并被转换为离散潜在表示。这些离散潜在表示被送入Transformer模型进行自回归建模。

其次，在VQ-VAE阶段，原始视频数据通过3D卷积进行下采样，并被转换为离散潜在表示。这些离散潜在表示被送入Transformer模型进行自回归建模。

然后，在Transformer模型中，每个时间步的输入是前一个时间步生成的离散潜在表示和位置编码。Transformer模型会根据这些输入预测下一个时间步的离散潜在表示。

最后，最终输出是由VQ-VAE解码器将离散潜在表示转换为连续像素值序列得到的自然视频。

整个过程可以看作是将离散潜在变量转换为连续像素值序列的过程。最终，VideoGPT可以生成高质量、多样化、连续时间的自然视频，并且在各种数据集上都表现出色。

Experiments

实验目标：VideoGPT在UCF-101数据集上使用FVD和IS两个指标进行评估

实验结果：VideoGPT可以在复杂视频数据集上生成高保真度样本，并且与最先进的GAN模型相比具有竞争力。

后续作者还做了一些实验，包括：

1、不同训练策略对性能的影响

2、模型结构对性能的影响