AIGC動態歡迎閱讀

原標題：Sora技術詳解及影響分析！
關鍵字：報告,視頻,模型,結構,世界
文章來源：算法邦
內容字數：5458字

內容摘要：

智猩猩和智東西發起主辦的2024中國生成式AI大會將于4月18-19日在北京舉辦。主會場將進行開幕式、大模型專場、AI Infra專場和AIGC應用專場；分會場將進行具身智能技術研討會、AI智能體技術研討會和中國智算中心創新論壇。掃名，也可咨詢。從openai sora[1]的技術報告首段可以看出sora的野心遠遠不止視頻生成，他們的目標是通過視頻數據來學習一個世界模型或者世界模擬器，這才是真正令人興奮和激動的部分。
01數據工程1-1 采用patches統一訓練數據格式
最早在ViT[2]現將圖片分patch輸入給transformer。Sora的做有些不同，首先通過一個encoder【VAE結構】將視頻幀壓縮到一個低維度隱式空間（包含時間和空間上的壓縮），然后展開成序列的形式送入模型訓練，同樣的模型預測也是隱式的序列，然后用decoder解碼器去解碼映射回像素空間形成視頻。注意在編碼成Spacetime latent patches的時候可能用到了ViViT[3]的時空編碼方式如此一來有兩個優勢：
統一互聯網上不同大小格式的視頻和圖片數據，統一為patches的格式輸入

原文鏈接：Sora技術詳解及影響分析！

聯系作者

文章來源：算法邦
作者微信：allplusai
作者簡介：智猩猩矩陣賬號之一，連接AI新青年，講解研究成果，分享系統思考。