中国人民大学视频生成模型——VDT（与之后的Sora最接近的架构） 是什么？

Question

解读多模态论文《VDT》，首次在视频扩散的生成模型中使用Transformer，这和后面的Sora架构最接近。

Answer 1

论文
摘要
1 引言
近期研究
Transformer在视频领域的优势
本文工作
2 相关工作
2.1 扩散模型
2.2 视频生成和预测
3 方法
3.1 总体框架
3.2 视频预测的条件视频生成方案
3.3 统一的时空掩码建模
4 实验
4.1 数据集与设置
4.2 分析
4.3 与最先进方法的比较
5 结论
热门专栏
机器学习
深度学习
论文
论文名：VDT: GENERAL-PURPOSE VIDEO DIFFUSION TRANSFORMERS VIA MASK MODELING
论文链接：https://arxiv.org/pdf/2305.13311
项目地址：https://VDT - 2023.github.io
————————————————

                        版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                    

原文链接：https://blog.csdn.net/haopinglianlian/article/details/145366245