生成图片

在Stable Diffusion推理过程中，其使用unet对一个初始化的向量不断去噪，并编入条件信息$c$ ，最后使用vae-decoder将其上采样为一张图片。

计算过程：
$$\begin{gathered} f_{latent}=unet(f_{latent}),f_{latent}\in R^{h\times w\times c} \\ I=decoder(f_{latent}),I\in R^{H\times W\times 3} \end{gathered}$$
$h,w$是特征的空间维度，$c$是特征维度，$H,W$是图像高，宽

生成视频

视频由视频帧组成，即视频由一组图像组成。将stable diffusion中初始化的隐向量添加时间序列，并且将计算网络扩充为3D，即可完成视频的生成。

$h,w$是特征的空间维度，$c$是特征维度，$f$是帧数

VAE视频压缩

与SD一致，训练视频生成网络首先需要进行视频压缩，这主要通过VAE完成。压缩视频主要是通过3D卷积实现。给定一个视频$v\in R^{16\times 512\times 512\times 3}$，如果使用$N$个形状为$R^{2\times 2\times 2\times 3}$的卷积核进行卷积，最终得到$v\in R^{15\times 511\times 511\times N}$的特征。

去噪网络

SD生图使用UNET逐步完成对隐向量的不断去噪。而在视频进行去噪时，为匹配隐向量的维度，会将UNET中的2D卷积扩充为3D卷积。即增加一维时间维度,也就是伪3D卷积。基本思想是利用一个1 $\times$ 3 $\times$ 3的二维空间卷积和3 $\times$ 1 $\times$ 1的一维时域卷积来模拟常用的3 $\times$ 3 $\times$ 3三维卷积，即利用2D+1D实现3D做的事。
所以最开始Stable Video Diffusion网络使用伪3D的网络直接对视频帧隐向量进行去噪，这也使视频帧之间联系不强，所以需要一个专属的模块来完成视频帧之间的信息交互，这通常通过空间-时间注意力实现。

空间-时间注意力

对于视频特征，空间注意力主要负责帧内特征的交流，时空注意力负责不同帧的相同位置之间的特征交流，主要通过Attention完成。

对于视频特征$f\in R^{f\times h\times w\times c}$，其中$f$是视频的帧数量。空间注意力首先会将其变换为$f\in R^{f\times hw\times c}$，随后输入attention block中在$hw$维度进行注意力计算，而对于时间注意力，会将特征变换为$f\in R^{hw\times f\times c}$，随后同样输入attention block中，在$f$维度计算注意力。这样针对视频的UNET网络就变成了下面这个样子。

3D Causal

左半部分是普通3D卷积网络，随着卷积的不断深入，1号的感受野不断扩大。右半部分是因果卷积，在第一帧前加入padding（黄色），那么即使卷积不断深入，后续帧的信息也不会泄漏到当前帧，即1号位的感受野永远是自己。这样就可实现图像与视频的联合训练，我们可以将一张图像当作视频帧直接使用3D因果卷积卷它。

最终网络结构

最后基于UNET的视频生成网络：

1. 视频使用3D-VAE causal Encoder进行压缩
2. UNET不断进行降噪
   1. 卷积计算
   2. 空间注意力
   3. 时间注意力
3. VAE-Decoder解码为图像

sora

将unet换成Transformer
3D full attention，所有视频帧的特征并成一个序列，计算attention

cogvideox

将unet换成Transformer，解耦合text与video特征

EasyAnimate

将unet换为Transformer，并加入基于两种attention的Motion Module