参考资料：
Sora技术报告
https://openai.com/index/video-generation-models-as-world-simulators/4分钟详细揭密！Sora视频生成模型原理https://www.bilibili.com/video/BV1AW421K7Ut
一、概述
相较于Gen-2、Stable Diffusion、Pika等生成模型的前辈，Sora有更出众的一镜到底能力（超过60s）。一镜到底的实现中，难点在于让模型正确的理解两帧之间的逻辑性，使生成的视频具备连贯性。
二、Diffusion模型
Diffusion（扩散 模型），会基于随机过程，从噪声图像中逐步祛除噪声来满足生成满足要求的图像。分为两个部分：前向扩散 和反向扩散。
前向扩散 会将一张清晰的图像逐步添加噪声，生成一张充满噪声的图像。而反向扩散则会从一堆噪声中逐步生成一张符合要求的清晰图片。通过反复迭代训练，模型能更好的从噪声中重建高质量的图像数据。
三、Transformer模型
这里的Transformer主要用于进行文本生成，而非图像识别领域的特征提取。当使用文本作为输入时，连续的文本会被token化，拆分为数个单词并附加位置信息。
接下来token会被编码器(Encoder) 转换为更抽象的特征向量，而解码器(Decoder) 则会根据特征向量来生成目标序列。需要注意的是，解码器会同时将特征向量 和已生成的文本 作为输入以保证上下文的连贯性。
四、Diffusion Transformer模型
Diffusion Transformer (DiT)模型借鉴了二、三的优势，为了保证生成内容的连贯性和一致性，Sora引入了时空patch 的概念。类似于Transformer中的token，将原始视频通过视觉编码器被压缩为一组低维度特征向量。
通过这种方式，模型可以同时关注视频中对象在++当前帧++ 中的空间位置 和++整个视频++ 中的时间位置。
得益于视觉编码器的压缩，Sora可以很简单的在低维空间中进行训练。经过训练后，Sora会根据噪声patch 和提示词 生成清晰的patch 。但这个patch实际上也是一个无法被人理解的低维表示。需要++解码器++将其还原成视频。