有这样一个模型，它可以做到一句话生成视频：
不仅零样本就能搞定，性能还直达 SOTA。
它的名字，叫“NüWA”（女娲）。
“女娲女娲，神通广大”，正如其名，一句话生成视频只是这个模型的技能之一。
除此之外，一句话生成图片、草图生成图像、视频，图像补全，视频预测，图像编辑、视频编辑，一共八种视觉任务，它其实全部都能搞定，完全是一位不折不扣的“全能型选手”。
这就是由微软亚研院和北大联合打造的一个多模态预训练模型，在首届微软峰会上亮相。
目前，在推特上已“小有热度”。
八项全能“女娲”，单拎出来也不差
所以这个全能型选手究竟表现如何？
直接与 SOTA 模型对比，来看看“她”在各项任务上的表现。
在文本生成图像中，不得不说，即使“女娲”的 FID-0 得分不及 XMC-GAN，但在实际效果中，“女娲”生成的图肉眼可见的更好，清晰又逼真。
文本到视频中，“女娲”每一项指标都获得了第一名，从逐帧图片来看，差距很明显。
在视频预测中，所有模型使用 64×64 的分辨率，Cond.代表供预测的帧数。
尽管只有 1 帧，“女娲”也将 FVD 得分从 94±2 降到 86.9。
草图转图像时，与 SOTA 模型相比，“女娲”生成的卡车都更逼真。
而在零样本的图像补全任务中，“女娲”拥有更丰富的“想象力”。
在零样本的图像编辑任务中，“女娲”明显比 SOTA 模型的“P 图”能力更强。
并且，它的另一个优势是推理速度，几乎 50 秒就可以生成一个图像；而 Paint By Word 在推理过程中需要额外的训练，大约需要 300 秒才能收敛。
而草图生成视频以及文本引导的视频编辑任务，是本次研究首次提出，目前还没有可比对象。
直接上效果：
看，像上面这些仅用色块勾勒轮廓的视频草图，经“女娲”之手就能生成相应视频。
而输入一段潜水视频，“女娲”也能在文本指导下让潜水员浮出水面、继续下潜，甚至“游”到天上。
可以说，“女娲”不仅技能多，哪个单项拿出来也完全不赖。
如何实现？
这样一个无论操作对象是图像还是视频，无论是合成新的、还是在已有素材上改造都能做到做好的“女娲”，是如何被打造出来的呢？
其实不难，把文字、图像、视频分别看做一维、二维、三维数据，分别对应 3 个以它们为输入的编码器。
另外预训练好一个处理图像与视频数据的 3D 解码器。
两者配合就获得了以上各种能力。
其中，对于图像补全、视频预测、图像视频编辑任务，输入的部分图像或视频直接馈送给解码器。
而编码解码器都是基于一个 3D Nearby 的自注意力机制（3DNA）建立的，该机制可以同时考虑空间和时间轴的上局部特性，定义如下：
W 表示可学习的权重，X 和 C 分别代表文本、图像、视频数据的 3D 表示：
其中，h 和 w 表示空间轴上的 token 数，s 表时间轴上的 token 数（文本默认为 1），d 表示每个 token 的维数。
如果 C=X，3DNA 表示对目标 X 的自注意；如果 C≠X，3DNA 表示对在条件 C 下目标 X 的交叉注意。
该机制不仅可以降低模型的计算复杂度，还能提高生成结果的质量。
此外，模型还使用 VQ-GAN 替代 VQ-VAE 进行视觉 tokenization，这也让生成效果好上加好。
团队介绍
一作 Chenfei Wu，北京邮电大学博士毕业，现工作于微软亚研院。共同一作 Jian Liang，来自北京大学。
其余作者包括微软亚研院的高级研究员 Lei Ji，首席研究员 Fan Yang，合作首席科学家 Daxin Jiang，以及北大副教授方跃坚。通讯作者为微软亚研院的高级研究员 & 研究经理段楠。