Sora 为何未在中国出现?交大天才少年谢赛宁反问「我们准备好了吗」
Sora 应该是建立在 DiT 这个扩散 Transformer 之上的。简而言之:DiT = [VAE 编码器 + ViT + DDPM + VAE 解码器]。
至于视频压缩器网络,Sora 可能采用了 VAE 架构,但经过了原始视频数据训练。而由于 VAE 是一个 ConvNet,所以 DiT 从技术上来说是一个混合模型。
赛博断案,更适合 00 后体质的电子榨菜
今天刷屏的 OpenAI Sora 模型,是怎么实现 1分钟一镜到底的?