Lumina-Video – 上海 AI Lab 和港中文推出的视频生成框架

Lumina-Video是什么

Lumina-Video是上海 AI Lab 和香港中文大学推出的视频生成框架，基于Next-DiT架构，针对视频生成中的时空复杂性进行优化。基于多尺度Next-DiT架构，用不同大小的patchify层提升效率和灵活性，基于运动分数作为条件输入，直接控制生成视频的动态程度。Lumina-Video用渐进式训练、图像-视频联合训练和多源训练策略，进一步提高训练效率和生成质量。Lumina-Video扩展了Lumina-V2A模型，为生成的视频添加同步声音，让视频更具现实感。

Lumina-Video的主要功能

• 高质量视频生成：生成具有高分辨率、丰富细节和出色时空连贯性的视频内容。
• 动态程度控制：基于运动分数作为条件输入，用户能灵活调整生成视频的动态程度，从静态到高度动态。
• 多尺度生成：支持不同分辨率和帧率的视频生成，适应多种应用场景。
• 视频到音频同步：基于Lumina-V2A模型，为生成的视频添加与视觉内容同步的声音，增强视频的现实感。
• 高效训练与推理：用渐进式训练和多源训练策略，提高训练效率和模型性能，在推理阶段提供灵活的多阶段生成策略，平衡计算成本与生成质量。

Lumina-Video的技术原理

• 多尺度Next-DiT架构：引入多个不同大小的patchify和unpatchify层，支持模型在不同计算预算下学习视频结构。通过动态调整patch大小，模型在推理阶段根据资源需求灵活调整计算成本，保持生成质量。
• 运动控制机制：基于计算光流的运动分数，将其作为条件输入到扩散模型中，直接控制生成视频的动态程度。调整正负样本的运动条件差异，实现对视频动态程度的精细控制。
• 渐进式训练：基于多阶段训练策略，逐步提高视频的分辨率和帧率，提高训练效率。结合图像-视频联合训练，利用高质量的图像数据提升模型对视觉概念的理解和帧级质量。
• 多源训练：用自然和合成数据源进行训练，充分利用多样化数据，提升模型的泛化能力和生成质量。
• 视频到音频同步（Lumina-V2A）：基于Next-DiT和流匹配技术，将视频和文本特征与音频潜表示融合，生成与视觉内容同步的声音。用预训练的音频VAE和HiFi-GAN vocoder进行音频编码和解码，确保生成音频的质量和同步性。

Lumina-Video的项目地址

• GitHub仓库：https://github.com/Alpha-VLLM/Lumina-Video
• arXiv技术论文：https://arxiv.org/pdf/2502.06782

Lumina-Video的应用场景

• 内容创作与媒体制作：为电影、电视剧、广告、短视频等媒体内容创作提供高效生成工具，快速生成高质量视频素材，降低创作成本，提高内容生产效率。
• 虚拟现实与增强现实：生成逼真的虚拟场景和动态内容，增强用户体验，为虚拟现实和增强现实应用提供丰富的视觉和听觉素材。
• 教育与培训：创建教育视频、模拟训练场景等，帮助学生和受训者更好地理解和掌握知识，提升学习效果和培训质量。
• 游戏开发：用在生成游戏中的动画、过场视频、虚拟角色动作等，提升游戏的视觉效果和沉浸感，缩短游戏开发周期。
• 智能视频编辑：作为智能视频编辑工具的一部分，辅助用户快速生成视频片段、添加特效或生成视频的音频，提升视频编辑的效率和创意性。