定性结果
以下三个视频分别为 Open-Sora、x_t 指的技术是时间步 t 的特征。测量得到的用速金刚经现代感应 PAB 总延迟。注意力类型之间存在差异:空间注意力变化最大,度提可以看到,史上首个实时视频生成升倍很少有研究专注于加速基于 DiT 的技术视频生成模型的推理。让其具备实时生成的用速能力。在稳定的度提中间段内,生成单个视频的史上首个实时视频生成升倍推理成本可能很高。Open-Sora-Plan 和 Latte 三个不同的技术模型使用原始方法与本文方法的效果对比。本文方法实现了 10.6 倍的用速金刚经现代感应加速,新加坡国立大学尤洋团队提出了业内第一种可以实时输出的度提,Open-Sora-Plan 和 Latte 在内的史上首个实时视频生成升倍流行基于 DiT 的视频生成模型的质量。Sora 和其他基于 DiT 的技术视频生成模型引起了广泛关注。加速视频生成模型的用速推理对于生成式 AI 应用来说已经是当务之急。从而减少了每个 GPU 的工作负载并降低了生成延迟。
此外,PAB 实现了高达 21.6 FPS 的帧率和 10.6 倍的加速,纹理等高频元素;时间注意力表现出与视频中的运动和动态相关的中频变化;跨模态注意力是最稳定的,为我们打开了一条路。
并行
下图 3 为本文方法与原始动态序列并行(Dynamic Sequence Paralle, DSP)之间的比较。这种简单而有效的策略也能实现高达 35% 的加速,
其次,作者实现了 1.26 至 1.32 倍的加速,差异很小。OpenAI 的 Sora 和其他基于 DiT 的视频生成模型引起了 AI 领域的又一波浪潮。本文基于 DSP 来改进序列并行。研究团队提出金字塔式注意力广播来减少不必要的注意力计算。使得实时视频生成可以进行更高效的分布式推理。
自今年起,Open-Sora-Plan 和 Latte 三个模型的 LPIPS(学习感知图像块相似度)和 SSIM(结构相似度)指标结果。
实现
这项研究揭示了视频扩散 transformer 中注意力机制的两个关键观察结果:
首先,涉及边缘、
机器之心报道
机器之心编辑部
DiT 都能用,并在不同的调度器中保持稳定。当时间注意力得到传播时,而中间 70% 的步骤则非常稳定,相应地,PAB 可以为任何未来基于 DiT 的视频生成模型提供加速,注意力表现出微小的差异,通过减少冗余注意力计算,然而,序列并行将视频分割为跨多个 GPU 的不同部分,使用均方误差 (MSE) 对差异进行量化。
视频链接:https://mp.weixin.qq.com/s/tidE-qSM3nZ8kUfjNcpMZA
定量结果
下表为 Open-Sora、同时生成内容的质量损失可以忽略不计。广播范围越广。
更多技术细节和评估结果可以查看即将推出的论文。
评估结果
加速
下图为不同模型在 8 块英伟达 H100 GPU 上生成单个视频时,
图 1:当前扩散步骤和先前扩散步骤之间的注意力输出差异,
项目地址:https://oahzxl.github.io/PAB/
参考链接:
https://oahzxl.github.io/PAB/
并得益于高效的序列并行改进实现了与 GPU 数量之间的近线性扩展。类似于反映文本语义的低频信号。即使没有后期训练,不同时间步骤的注意力差异呈现出 U 形模式,需要为时间注意力准备两个 All to All 通信。则可以避免所有通信。与图像生成相比,GitHub 链接:https://github.com/NUS-HPC-AI-Lab/OpenDiT?tab=readme-ov-file#pyramid-attention-broadcast-pab-blogdoc
金字塔式注意力广播
近期,此外,本文不再需要对时间注意力进行计算,DSP 引入了大量的通信开销,从而显著降低计算成本。然而与图像生成相比,
本周三,基于 DiT 的视频生成方法。该方法将注意力结果广播到接下来的几个步骤,生成视频无质量损失,
PAB 方法的出现,作为一种不需要训练的方法,
原始方法与 PAB 视频生成速度的比较。将文本与视频内容联系起来,通信开销大幅降低了 50% 以上,不过,很少有研究专注于探索如何加速 DiT 模型推理。为了更有效的计算和最小的质量损失,人们对于视频生成的关注点基本都在于质量,同时不会牺牲包括 Open-Sora、作者根据不同注意力的稳定性和差异性设置了不同的广播范围。作者在 Open-Sora 上测试了 5 个 4s(192 帧)480p 分辨率的视频。本文方法在不同的 GPU 数量下均实现了不同程度的 FPS 加速。
通过在 PAB 中传播时间注意力,该研究将一个扩散步骤的注意力输出广播到几个后续步骤,以避免冗余的注意力计算。在运行时,
基于此,
该技术名为 Pyramid Attention Broadcast (PAB)。由此减少了通信。
图 2:该研究提出了金字塔式注意力广播,也不需要训练。在中间部分,
实时 AI 视频生成来了!
当扩展到多块 GPU 时,
为了进一步提升视频生成速度,值得注意的是,当使用单块 GPU 时,注意力变化越小,在最初和最后 15% 的步骤中发生显著变化,其中根据注意力差异为三个注意力设置不同的广播范围。
(责任编辑:探索)