/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
10 окт 2023

show-1-sr2

Генерация видеоТекст → видео3 профессии

Диффузионная модель Show Lab для увеличения разрешения видео с 256×160 до 576×320 в каскаде генерации видео по тексту.

54скачиваний за 30 дней9лайковвеса обновлены12 окт 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Show-1-SR2 — модель повышения разрешения видео в составе каскадной системы генерации видео Show-1, разработанной Show Lab Национального университета Сингапура. Это диффузионная модель, дообученная на WebVid-10M: она принимает видео размером 256×160 пикселей и увеличивает его до 576×320. Модель предназначена для второго этапа генерации видео по текстовому запросу, обеспечивая более высокое визуальное качество при сохранении соответствия исходного видео запросу.

Модель дообучена на основе cerspense/zeroscope_v2_576w с использованием шагов диффузии 0–900. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • повышение разрешения видео, созданного по текстовому запросу
  • улучшение визуального качества низкоразрешённых сгенерированных видео
  • второй этап каскадной генерации видео Show-1

Ограничения

Модель предназначена для повышения разрешения видео 256×160 до 576×320 и описана как этап каскадной генерации, поэтому её назначение не охватывает произвольные размеры видео. Лицензия запрещает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

show-1-sr2

Pixel-based VDMs can generate motion accurately aligned with the textual prompt but typically demand expensive computational costs in terms of time and GPU memory, especially when generating high-resolution videos. Latent-based VDMs are more resource-efficient because they work in a reduced-dimension latent space. But it is challenging for such small latent space (e.g., 64×40 for 256×160 videos) to cover rich yet necessary visual semantic details as described by the textual prompt.

To marry the strength and alleviate the weakness of pixel-based and latent-based VDMs, we introduce Show-1, an efficient text-to-video model that generates videos of not only decent video-text alignment but also high visual quality.

Model Details

This is the super-resolution model of Show-1 that upscales videos from a 256x160 resolution to 576x320. The model is finetuned using diffusion timesteps 0-900 on the WebVid-10M dataset.

Usage

Clone the GitHub repository and install the requirements:

git clone https://github.com/showlab/Show-1.git
pip install -r requirements.txt

Run the following command to generate a video from a text prompt. By default, this will automatically download all the model weights from huggingface.

python run_inference.py

You can also download the weights manually and change the pretrained_model_path in run_inference.py to run the inference.

git lfs install

# base
git clone https://huggingface.co/showlab/show-1-base
# interp
git clone https://huggingface.co/showlab/show-1-interpolation
# sr1
git clone https://huggingface.co/showlab/show-1-sr1
# sr2
git clone https://huggingface.co/showlab/show-1-sr2

Citation

If you make use of our work, please cite our paper.

@misc{zhang2023show1,
    title={Show-1: Marrying Pixel and Latent Diffusion Models for Text-to-Video Generation}, 
    author={David Junhao Zhang and Jay Zhangjie Wu and Jia-Wei Liu and Rui Zhao and Lingmin Ran and Yuchao Gu and Difei Gao and Mike Zheng Shou},
    year={2023},
    eprint={2309.15818},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

Model Card Contact

This model card is maintained by David Junhao Zhang and Jay Zhangjie Wu. For any questions, please feel free to contact us or open an issue in the repository.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Компонент unet (showone.models.unet_3d_condition.UNet3DConditionModel) требует кода вне diffusers/transformers.

Ревизия весов
2d1824a

0 моделей