Sora复刻版出现了——
Sora有的能力它基本都有，比如文本转视频、扩展视频、视频编辑、视频拼接、模拟数字世界等等。
还支持生成1024*576分辨率的12秒视频。
这项研究来自理海大学微软研究院的华人团队。他们运用多个视觉agent，在多个任务中表现接近Sora。
既如此，且来看Mora究竟实力如何。
Mora复刻Sora
先来看效果。
首先是文本到视频的生成。
In the middle of a vast desert, a golden desert city appears on the horizon, its architecture a blend of ancient Egyptian and futuristic elements.The city is surrounded by a radiant energy barrier, while in the air, seve(在广袤的沙漠中，一座金色的沙漠城市出现在地平线上，其建筑融合了古埃及和未来元素。)
效果还不错，有点三体内味了。
再来看，基于文本提示的图像到视频生成。
不妨就拿Sora视频比较一下。
除此之外，还支持视频编辑，比如修改一下视频里的车、给车铺上一条彩虹之路。
这个效果嘛，就还有进步空间~
不过跟Sora同款的视频拼接，是可以Hold住的。
多智能体框架
研究团队提出了一个多智能体框架Mora。
他们认为解决不同视频生成任务，需要不同专业能力agent协作。为此，Mora框架中有5个基本角色组成：
Prompt选择和生成agent、文本到图像生成agent、图像到图像生成agent、图像到视频生成agent、视频到视频agent。
每个agent负责特定的输入和输出，通过设置agent的角色和操作技能，团队定义了各种任务基本工作流程。
根据任务不同，采用特定的agent组合。
目前他们主要设计了六个工作流：
文本到视频生成；文本条件图像到视频生成；扩展生成的视频；视频到视频编辑；连接视频以及模拟数字世界。
最终，在各个任务中，Mora的表现都接近Sora。
团队认为，Mora作为开源多agent框架，具有一定的灵活性和效率，还能无缝集成各种模型。
但与此同时，也有一定的进步空间。比如高质量视频数据集的需求、指令遵循能力的提升、人类视觉偏好对齐等。
理海微软团队
此次研究来自理海大学孙力超团队，此外还有微软研究院研究员参与。
前段时间，同样也是这个团队用37页论文逆向工程解剖Sora。
他们对模型背景、相关技术、应用、现存挑战以及文本到视频AI模型未来发展方向进行了全面分析。
感兴趣的朋友可戳下方链接：https://arxiv.org/abs/2403.13248https://github.com/lichao-sun/Mora
本文来自微信公众号“量子位”（ID:QbitAI），作者：白交
相关文章
