尤洋团队新作，首个基于DiT的实时视频生成方法来了！
先来直观感受一下效果（右侧为新方法）：
【此处无法插入视频，遗憾……可到量子位公众号查看～】
这是团队在Open-Sora上，使用5个4s（192帧）480p分辨率视频进行的测试。
新方法名为Pyramid Attention Broadcast（PAB），由新加坡国立大学尤洋以及3位学生推出。
具体来说，PAB通过减少冗余注意力计算，可实现高达21.6FPS和10.6倍加速，并且不会牺牲基于DiT的流行视频生成模型（包括Open-Sora、Open-Sora-Plan和Latte）的质量。
作为一种免训练方法，PAB可为将来任何基于DiT的视频生成模型提供实时功能。
看完效果对比，网友们纷纷惊叹：
这将是新纪元。
也引来了众多专业人士的转发和点评，如MIT博士Yilun Du表示：
是一个展示了如何将视频生成加速到实时速度的酷炫工作！可能会为视频策略和模拟的现实世界用例开辟新的领域。
那么，新方法具体如何破解实时生成视频这个难题的呢？
减少冗余注意力计算
一开始，团队比较了当前扩散步骤与前一步骤的注意力输出差异。
这些差异通过均方误差（MSE）进行量化，并对每个扩散步骤的所有层进行平均。
团队捕捉到两个关键信息：
- 随着时间推移，注意力差异遵循U形模式，中间70%差异较小
- 注意力差异的排序为：空间>时间>交叉
具体而言，不同时间步骤的注意力差异呈现出U形模式，在第一步和最后一步的15%步骤中发生显著变化，而中间70%的步骤非常稳定，差异很小。
其次，在稳定的中间部分，不同类型的注意力表现出差异：空间注意力变化最大，涉及高频元素，如边缘和纹理；时间注意力显示出与视频中的运动和动态相关的中频变化；跨模态注意力最为稳定，它将文本与视频内容联系起来，类似于反映文本语义的低频信号。
对此，团队正式提出用PAB来减少不必要的注意力计算。
PAB通过根据每种注意力的差异将注意力输出到不同的后续步骤，从而节省计算量。
举个例子，就像广播电台把一个信号发送给多个听众一样，如果某个步骤的注意力结果在接下来的几个步骤中仍然适用，就不需要重新计算，而是直接使用之前的结果。
团队发现，即使没有后期训练，这种简单策略也能实现高达35%的加速，并且质量损失可以忽略不计。
为了进一步增强PAB，团队基于动态序列并行（DSP）改进了序列并行。
序列并行通过在多个GPU上分割视频以降低延迟，但DSP带来的时间注意力需两次全对全通信，导致高通信开销。
而PAB由于时间注意力不再需要被计算，使这些通信开销减少了50%以上，从而优化了实时视频生成的分布式推理效率。
借助并行功能，PAB可实现高达21.6FPS和10.6倍加速，并且不会牺牲基于DiT的流行视频生成模型（包括Open-Sora、Open-Sora-Plan和Latte）的质量。
展开来说，团队测量了PAB在8个英伟达H100 GPU上为不同模型生成单个视频的总延迟。
使用单个GPU时，PAB实现了1.26倍到1.32倍的速度提升，这一提升在不同调度器中保持稳定。
扩展到多个GPU时，PAB实现了高达10.6倍的速度提升，且这一提升几乎与GPU数量成线性关系。
背后团队
简单介绍一下提出PAB的团队成员，总共有4位。
尤洋教授想必大家都比较熟悉了，清华计算机系硕士，UC伯克利博士，毕业后加入新加坡国立大学计算机系，担任校长青年教授 （Presidential Young Professor）。
2021年7月，在北京中关村创办了“潞晨科技”。
作者之一Xuanlei Zhao（赵轩磊），华科大计算机科学与电子信息专业工程学士，硕博均在新国立（目前为博一），导师为尤洋，研究方向包括但不限于算法、数据结构、计算机网络、信号处理、通信系统等方面。
作者之一Kai Wang（王锴），新国立HPC-AI实验室博士生，导师为尤洋，本科就读于北师大珠海分校电气工程与自动化系，硕士就读于中科院深圳先进技术研究院(MMLAB-SIAT)，研究重点是以数据为中心的人工智能和高效机器学习。他和尤洋教授共同指导了这个项目。
最后一位Xiaolong Jin（金小龙），本科就读于中国科学技术大学少年班学院，目前是普渡大学在读博士生。此工作是在尤洋团队担任科研实习生时完成。
目前相关研究已公开，感兴趣可以进一步了解。
— 完 —
量子位 QbitAI · 头条号签约
友情提示
本站部分转载文章，皆来自互联网，仅供参考及分享，并不用于任何商业用途；版权归原作者所有，如涉及作品内容、版权和其他问题，请与本网联系，我们将在第一时间删除内容！
联系邮箱：1042463605@qq.com