​​🥸OpenVid-1M: крупномасштабный высококачественный набор данных для преобразования текста в видео

Генерация текста в видео (T2V) недавно привлекла значительное внимание благодаря большой мультимодальности модели Sora.

Однако генерация T2V по-прежнему сталкивается с важными проблемами.

Этот набор данных открытого сценария содержит более 1 миллиона пар текст-видео, что облегчает исследования по генерации T2V.

Обширные эксперименты и исследования абляции подтверждают превосходство OpenVid-1M над предыдущими наборами данных и эффективность нашего MVDiT.

🤗 Hugging Face
💾 Arxiv
📂 PDF

@Devsp — Подписаться