SVD官方主页 ： Huggingface | | Stability.ai || 论文地址
huggingface在线运行demo : https://huggingface.co/spaces/multimodalart/stable-video-diffusion
SVD开源代码：Github（含其他项目） || Huggingface
在Comfyui使用： ComfyUI国内下载 | SVD模型下载 | | 官网下载(Github)
文章目录
- 一、SVD是什么，能做什么？(图片到视频)
-
- [1.1 模型的缺点(不能干的事情)？](#1.1 模型的缺点(不能干的事情)？)
- 二、在comfyui中使用 (约15G`显存`)
-
- [2.1 Stable-XL生成图片再生成视频(Text2Img2Video)](#2.1 Stable-XL生成图片再生成视频(Text2Img2Video))
-
- [第一次初始化+运行示例，在3090Ti上花费 209.35秒](#第一次初始化+运行示例，在3090Ti上花费 209.35秒)
- [第二次 花费 生成图片（6秒）+视频 （花费70秒）](#第二次 花费 生成图片（6秒）+视频 （花费70秒）)
- 一艘悠闲地沿着塞纳河航行的船，背景是文森特·梵高的埃菲尔铁塔
- 一只独角兽在一个神奇的小树林里，非常详细
- 使用上传的图片生成视频?
- [三、方法 （未完待续）](#三、方法 （未完待续）)
一、SVD是什么，能做什么？(图片到视频)
2023年11月21日 由 Stability AI 开源2个图片到视频模型("Stable Video Diffusion"（稳定视频扩散模型)
它将静止图像（still image）作为条件帧(conditioning frame)，并从中生成视频分辨率（1024x576）。
- 上传已有1张图片，生成相关的视频片段、生成视频长度2-5秒，帧率 3-30帧每秒，
- 串联一个Stable-XL模型，生成图片后，再生成视频 (文字到图片再到视频)
1.1 模型的缺点(不能干的事情)？
- 生成的视频相当
短（<=4秒），并且该模型没有实现完美的真实感。 - 该模型可能生成没有运动的视频，或者生成非常慢的相机平移(
没变化)。 - 不能
直接文本控制模型 (需要串联其他模型)。 - 该模型无法呈现清晰的
文本(legible text)(让艺术字动起来)。 - 一般来说，
人脸和人物可能无法正确生成。 - 模型的自动编码部分是有损的（lossy）。
二、在comfyui中使用 (约15G显存)
使用说明： https://comfyanonymous.github.io/ComfyUI_examples/video/
2.1 Stable-XL生成图片再生成视频(Text2Img2Video)
工作流文件： 链接：https://pan.baidu.com/s/1CvyGmUibreM8SM7AFjt1uA?pwd=0125
第一次初始化+运行示例，在3090Ti上花费 209.35秒
拍摄美丽的风景自然山脉阿尔卑斯河急流雪天积云
photograph beautiful scenery nature mountains alps river rapids snow sky cumulus clouds
第二次 花费 生成图片（6秒）+视频 （花费70秒）
题词来源于论文图17
一艘悠闲地沿着塞纳河航行的船，背景是文森特·梵高的埃菲尔铁塔
题词
bash
A boat sailing leisurely along the Seine River with the Eiffel Tower in background by Vincent van Gogh
一只独角兽在一个神奇的小树林里，非常详细
bash
A unicorn in a magical grove, extremely detailed
使用上传的图片生成视频?
三、方法 （未完待续）
该模型训练经过，
- 在给定相同大小的上下文帧的情况下，以
576x1024的分辨率生成25帧， - 再从图像帧
微调为视频[14帧]。我们还对广泛使用的f8解码器（ f8-decoder ）进行了时间一致性（temporal consistency）微调。 - 为了方便起见，我们在这里为该模型额外提供了标准的
逐帧解码器(frame-wise decoder )。
利用了Nvidia提出的Align your Latents基本结构
Align your Latents: 23.07.High-Resolution Video Synthesis with Latent Diffusion Models