AIGC专栏15——CogVideoX-Fun详解 支持图&文生视频 拓展CogVideoX到256～1024任意分辨率生成
学习前言 项目特点 生成效果 相关地址汇总 源码下载地址 CogVideoX-Fun详解 技术储备 Diffusion Transformer (DiT) Stable Diffusion 3 EasyAnimate-I2V 算法细节 算法组成 InPaint模型 基于Token长度的模型训练 Resize 3D Embedding 项目使用 项目启动 文生视频 图生视频 视频生视频学习前言
这段时间正在训练EasyAnimateV4.5，发现总有一些问题解决不了，开始怀疑是自己的训练框架有问题。
恰逢清华开源了CogVideoX，这是个很优秀的文生视频模型，可惜没有图生视频，还固定了分辨率，于是试着将CogVideo修改到我们的框架中，发现其实效果还不错。
项目特点
支持 图 和 文 生视频； 支持 首尾图 生成视频 最大支持720p 49帧视频生成； 无限长视频生成； 数据处理到训练完整pipeline代码开源。生成效果
CogVideoX-Fun的生成效果如下，分别支持图生视频和文生视频。与EasyAnimate类似，通过图生视频的能力，我们还可以进行视频续写，生成无限长视频。
相关地址汇总
源码下载地址
https://github.com/aigc-apps/CogVideoX-Fun
感谢大家的关注。
CogVideoX-Fun详解
技术储备
Diffusion Transformer (DiT)
DiT基于扩散模型，所以不免包含不断去噪的过程，如果是图生图的话，还有不断加噪的过程，此时离不开DDPM那张老图，如下：
DiT相比于DDPM，使用了更快的采样器，也使用了更大的分辨率，与Stable Diffusion一样使用了隐空间的扩散，但可能更偏研究性质一些，没有使用非常大的数据集进行预训练，只使用了imagenet进行预训练。
与Stable Diffusion不同的是，DiT的网络结构完全由Transformer组成，没有Unet中大量的上下采样，结构更为简单清晰。
Stable Diffusion 3
在2024年3月，Stability AI发布了Stable Diffusion 3，Stable Diffusion 3一个模型系列，参数量从 800M 到 8B 不等。相比于过去的Stable Diffusion，Stable Diffusion 3的生图质量更高，且更符合人类偏好。
Stable Diffusion 3做了多改进，比如文本信息注入的方式，DiT模型在最初引入文本时，通常使用Cross Attention的方法结合文本信息，如Pixart-α、hunyuan DiT等。Stable Diffusion 3通过Self-Attention引入文本信息。相比于Cross Attention，使用Self-Attention引入文本信息不仅节省了Cross Attention的参数量，还节省了Cross Attention的计算量。
Stable Diffusion 3还引入了RMS-Norm。，在每一个attention运算之前，对Q和K进行了RMS-Norm归一化，用于增强模型训练的稳定性。
同时使用了更大的VQGAN，VQGAN压缩得到的特征维度从原来的4维提升到16维等。
EasyAnimate-I2V
在EasyAnimate中，需要重建的部分和重建的参考图分别通过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，假设我们期待生成一个384x672x144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到一起后便是12x36x48x84，传入DiT模型中进行噪声预测。
这样模型就可以知道视频的哪些部分需要重建，通过inpaint的方式实现图生视频。
算法细节
算法组成
我们使用了CogVideoX作为基础模型，并在此基础上重新训练。
在CogVideoX-FUN中，我们基于CogVideoX在大约1.2m的数据上进行了训练，支持图片与视频预测，支持像素值从512x512x49、768x768x49、1024x1024x49与不同纵横比的视频生成。另外，我们支持图像到视频的生成与视频到视频的重建。
引入InPaint模型，实现图生视频功能，可以通过首尾图指定视频生成。 基于Token长度的模型训练。达成不同大小多分辨率在同一模型中的实现。InPaint模型
我们以CogVideoX作为基础结构，参考EasyAnimate进行图生视频的模型训练。
在进行视频生成的时候，将参考视频使用VAE进行encode，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，与噪声Latents一起堆叠后输入到Transformer中进行视频生成。
我们对被Mask的区域进行3D Resize，直接Resize到需要重建的视频的画布大小。
然后将Latent、Encode后的参考视频、被Mask的区域，concat后输入到DiT中进行噪声预测。获得最终的视频。
基于Token长度的模型训练
我们收集了大约高质量的1.2m数据进行CogVideoX-Fun的训练。
在进行训练时，我们根据不同Token长度，对视频进行缩放后进行训练。整个训练过程分为三个阶段，每个阶段的13312（对应512x512x49的视频），29952（对应768x768x49的视频），53248（对应1024x1024x49的视频）。
以CogVideoX-Fun-2B为例子，其中：
13312阶段，Batch size为128，训练步数为7k 29952阶段，Batch size为256，训练步数为6.5k。 53248阶段，Batch size为128，训练步数为5k。训练时我们采用高低分辨率结合训练，因此模型支持从512到1280任意分辨率的视频生成，以13312 token长度为例：
在512x512分辨率下，视频帧数为49； 在768x768分辨率下，视频帧数为21； 在1024x1024分辨率下，视频帧数为9；这些分辨率与对应长度混合训练，模型可以完成不同大小分辨率的视频生成。
Resize 3D Embedding
在适配CogVideoX-2B到CogVideoX-Fun框架的途中，发现源码是以截断的方式去得到3D Embedding的，这样的方式只能适配单一分辨率，当分辨率发生变化时，Embedding也应当发生变化。
参考Pixart-Sigma，我们采用positional embeddings Interpolation对3D embedding进行Resize，positional embeddings Interpolation相比于直接生成cos sin的embedding更易收敛。
项目使用
项目启动
推荐在docker中使用CogVideoX-Fun：
# pull image
docker pull mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easycv/torch_cuda:cogvideox_fun
# enter image
docker run -it -p 7860:7860 --network host --gpus all --security-opt seccomp:unconfined --shm-size 200g mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easycv/torch_cuda:cogvideox_fun
# clone code
git clone https://github.com/aigc-apps/CogVideoX-Fun.git
# enter CogVideoX-Fun's dir
cd CogVideoX-Fun
# download weights
mkdir models/Diffusion_Transformer
mkdir models/Personalized_Model
wget https://pai-aigc-photog.oss-cn-hangzhou.aliyuncs.com/cogvideox_fun/Diffusion_Transformer/CogVideoX-Fun-2b-InP.tar.gz -O models/Diffusion_Transformer/CogVideoX-Fun-2b-InP.tar.gz
cd models/Diffusion_Transformer/
tar -xvf CogVideoX-Fun-2b-InP.tar.gz
cd ../../
python app.py
到这里已经可以打开gradio网站了。
文生视频
首先进入gradio网站。选择对应的预训练模型，如"models/Diffusion_Transformer/EasyAnimateV3-XL-2-InP-512x512"。然后在下方填写提示词。
然后调整视频高宽和生成帧数，最后进行生成；
图生视频
图生视频与文生视频有两个不同点：
1、需要指定参考图； 2、指定与参考图类似的高宽；CogVideoX-Fun的ui已经提供了自适应的按钮Resize to the Start Image，打开后可以自动根据输入的首图调整高宽。
视频生视频
视频生视频与文生视频有两个不同点：
1、需要指定参考视频； 2、指定与参考视频类似的高宽；CogVideoX-Fun的ui已经提供了自适应的按钮Resize to the Start Image，打开后可以自动根据输入的视频调整高宽。
总结
### 文章总结：《CogVideoX-Fun详解》#### 一、学习前言
作者在训练EasyAnimateV4.5过程中遇到问题，转而关注并尝试将清华开源的CogVideo模型融入自己的框架中，以增强文生视频功能并扩展至图生视频和多分辨率支持，最终成功开发了CogVideoX-Fun。
#### 二、项目特点
- **多模态支持**：支持图和文生成视频，并提供首尾图生成视频的能力。
- **高清晰度**：最大支持720p 49帧视频生成。
- **无限长视频**：实现视频续写功能，可生成无限长的视频。
- **完整开源**：包含数据处理到训练完整pipeline代码的开源。
#### 三、生成效果
CogVideoX-Fun生成效果展示了图生视频和文生视频的能力，类似于EasyAnimate，但具有更高的灵活性和分辨率支持，允许用户生成多样化、高质量的视频内容。
#### 四、相关技术
- **Diffusion Transformer (DiT)**：基于扩散模型，使用Transformer结构，简化模型复杂度，提升生成效果。
- **Stable Diffusion 3**：增强生图质量和人类偏好程度，通过Self-Attention和RMS-Norm等技术改进模型训练。
- **EasyAnimate-I2V**：通过VAE编码参考图和视频，结合随机初始化的Latent，实现图生视频的重建。
#### 五、算法细节
- **基础模型**：以CogVideoX为基础进行重新训练，支持多分辨率和多种类型的视频生成。
- **InPaint模型**：引入InPaint模型，用于图生视频中的区域重建，通过首尾图指定视频生成。
- **Token长度训练**：采用不同Token长度训练，支持从512到1024任意分辨率的视频生成。
- **Resize 3D Embedding**：采用positional embeddings Interpolation进行3D Embedding的大小调整，增强模型对不同分辨率视频的适应性。
#### 六、项目使用
- **环境搭建**：推荐在Docker环境中运行，通过拉取Docker镜像、克隆代码、下载预训练模型等步骤进行项目启动。
- **功能操作**：
- **文生视频**：在Gradio网站上选择预训练模型，填写提示词生成视频。
- **图生视频**：指定参考图和所需高宽生成视频，支持自适应调整。
- **视频生视频**：指定参考视频和所需高宽重构视频，提供自适应调整功能。
通过CogVideoX-Fun，用户可以灵活生成多样化的高质量视频内容，满足个性化创作需求。