Model details
模型介绍
中文整理Divot：扩散模型驱动的视频分词器
Model use case
Divot是一个扩散模型驱动的视频分词器，用于自监督视频表示学习。它能够实现视频理解和视频生成两大核心功能。
主要能力
该模型利用扩散过程学习视频分词器，将视频的时空表示作为条件来去噪视频片段。扩散模型本身可作为去分词器，从视频表示解码出逼真的视频。基于Divot分词器，研究团队构建了Divot-LLM，通过视频到文本的自回归进行视频理解，同时利用高斯混合模型对连续值Divot特征进行分布建模，实现文本到视频的生成。
输入输出
输入为视频内容。输出包括：视频理解任务输出文本描述；视频生成任务输出重建或新生成的视频。
运行要求
环境依赖包括Python 3.8及以上版本，推荐使用Anaconda；PyTorch 2.1.0及以上版本；NVIDIA GPU及CUDA支持。
使用前需下载预训练的分词器和去分词器权重，以及Mistral-7B-Instruct-v0.1和CLIP-ViT-H-14-laion2B-s32B-b79K模型权重，保存至指定目录。
基本用法
支持三种主要应用场景：使用Divot进行视频重建；使用Divot-LLM进行视频理解；使用Divot-LLM进行视频生成。
License
Divot采用Apache License 2.0协议，仅限学术目的使用。第三方组件的许可证信息见原项目License文件。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
Problem with the information or download?
Sign in to submit feedback.
