在开源社区的持续关注下，Open-Sora项目最近迎来了重大更新。此次升级不仅显著提升了视频生成能力，更在模型架构上实现了重要突破。现在，Open-Sora已经能够支持长达16秒的单镜头视频生成，并且视频分辨率最高可达720p。这一升级使得Open-Sora在处理各种宽高比的文本到图像、文本到视频、图像到视频、视频到视频以及无限长视频的生成需求时，展现出了前所未有的强大能力。
技术报告与模型架构深度解析
Open-Sora技术报告已正式在GitHub上发布，该报告详细阐述了此次升级中的新功能和模型架构。报告指出，作者团队对STDiT架构进行了关键性改进，显著提高了模型的训练稳定性和整体性能。其中，旋转位置编码（RoPE embedding）和QK归一化技术的引入，极大地增强了训练稳定性。同时，ST-DiT-2架构能够自动缩放位置编码，使得模型能够轻松处理不同大小尺寸的输入。
多阶段训练方法实现高质量视频生成
为实现高质量视频生成，Open-Sora采用了多阶段训练方法。在初始阶段，视频采用144p分辨率，同时混训图片和更高分辨率视频。随着训练的深入，第二阶段将分辨率提升至240p和480p，而第三阶段则进一步增强至480p和720p。这种分阶段引入数据的方式，使得模型能够逐步适应更高质量的视频生成任务。
统一的图生视频/视频生视频框架
Open-Sora基于Transformer的DiT架构，能够支持图像到图像及视频到视频任务。此外，项目还提出了掩码策略来支持图像和视频的条件化处理。通过引入随机掩码策略，Open-Sora能够以随机方式选择并取消掩码的帧，从而提高模型处理图像条件化的能力。
支持多时间/分辨率/长宽比/帧率训练
为了满足不同场景下的视频生成需求，Open-Sora支持多时间、分辨率、长宽比和帧率训练。通过分桶策略，模型能够使用原始视频的分辨率、长宽比和长度进行训练，从而增加了采样的灵活性。
数据收集与预处理流程详解
为了方便用户更好地使用Open-Sora，作者团队还提供了详尽的数据收集与处理指南。该指南详细介绍了自动化的数据处理流程，帮助用户轻松完成数据准备工作。
性能全方位评测与展望
经过测试，Open-Sora已经能够将文字描述转化为动人的动态视频，支持多种内容、分辨率、长宽比和时长的生成。然而，项目团队也指出，当前生成的视频在噪声问题、时间一致性、人物生成质量以及美学评分方面仍有待改进。未来，作者团队将在下一版本中优先解决这些挑战，进一步提升Open-Sora的性能和稳定性。
项目体验与探索
想要亲身体验Open-Sora的强大功能吗？欢迎访问项目地址：https://top.aibase.com/tool/open-sora，
以及体验地址：https://huggingface.co/spaces/hpcai-tech/open-sora。
资讯、工具、教程、IT服务！
扫描以下二维码加群
告诉管理员您遇到的问题
我们会第一时间为您挑选优质教程和帮您解决问题
相关文章
