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：https://github.com/aigc-apps/EasyAnimate

技术报告：https://arxiv.org/abs/2405.18991

PAI 平台上快速体验：https://pai.console.aliyun.com/?#/dsw-gallery/preview/deepLearning/cv/easyanimate

效果展示

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。