文章主旨：

Tora是首个轨迹导向的扩散Transformer框架，显著提升了视频生成的运动可控性及视觉保真度。

关键要点：

• 本文提出Tora框架，通过轨迹提取器（TE）和运动引导融合器（MGF）实现视频生成的精确运动控制。
• 采用两阶段训练策略，结合稠密光流和稀疏轨迹，有效提升模型对多样化轨迹数据的适应性。
• Tora生成视频具有高分辨率（720p）、长时长（最长204帧），并能模拟复杂物理运动。
• 通过消融实验验证，Tora在轨迹压缩、MGF模块设计和训练策略上都表现出优越性能。
• 相比基于U-Net的模型，Tora在轨迹准确性和视觉质量上均实现显著提升。

内容结构：

• 引言：

  介绍了基于Transformer的扩散模型在视频生成领域的潜力和挑战，并提出Tora作为解决方案。

• 方法：

  • Tora框架设计：通过轨迹提取器（TE）和运动引导融合器（MGF）将轨迹信息融入DiT块中，支持时空运动的精确控制。
  • 时空DiT架构：交替使用空间和时间注意力块，实现对不同时长视频的动态建模。
  • 轨迹提取与压缩：利用3D VAE将轨迹转换为高效时空运动块，与视频块对齐。
  • 运动引导融合设计：实验探索三种融合方式，自适应归一化层表现最佳。

• 训练策略与数据处理：

  • 采用两阶段训练方法，结合密集光流和稀疏轨迹，增强模型对运动控制的适应性。
  • 使用结构化数据处理方法清理训练数据集，确保高质量字幕和轨迹标注。

• 实验与结果：

  • 定量评估：在轨迹准确性和视觉质量上，Tora超越了现有方法。
  • 定性对比：展示了Tora在复杂场景中的运动保真度和视觉效果优势。
  • 消融实验：验证了轨迹压缩方法、MGF模块设计和训练策略的有效性。

• 结论：

  总结了Tora在轨迹导向视频生成领域的贡献，并展望其对未来研究的启示。

文章总结：

Tora通过创新的轨迹导向扩散Transformer设计和优化的训练策略，实现了视频生成领域的技术突破，为未来研究提供了坚实的基线。

团队RONG合三状态，您的团队是哪一种？

了解更多

AI生成未来

查看原文：寥寥数笔，动画自成！阿里Tora: 首个轨迹引导的DiT创新实现精确运动控制视频生成

文章来源：

AI生成未来

扫码关注公众号