CN117857896A

CN117857896A - 一种视频生成方法、装置、设备及存储介质

Info

Publication number: CN117857896A
Application number: CN202410026820.1A
Authority: CN
Inventors: 庄少彬; 黎昆昌; 陈昕苑; 王耀晖; 乔宇; 王亚立
Original assignee: Shanghai AI Innovation Center
Current assignee: Shanghai AI Innovation Center
Priority date: 2024-01-08
Filing date: 2024-01-08
Publication date: 2024-04-09

Abstract

本发明公开了一种视频生成方法、装置、设备及存储介质。该方法包括：获取当前模式、噪声视频以及文本提示信息；将所述噪声视频、文本提示信息以及当前模式对应的掩码视频输入目标模型，得到目标去噪视频，其中，所述目标模型通过目标样本集迭代训练第一模型得到，所述目标样本集包括：视频样本和视频样本中的文本标注，通过本发明的技术方案，能够提升生成视频的准确度和效率。

Description

一种视频生成方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种视频生成方法、装置、设备及存储介质。

背景技术

随着计算机技术的不断发展，视频生成技术也在不断更新；当前，为了提升视频创作的效率，用户可以通过文本直接生成视频，无需再寻找素材、剪辑素材等操作也可以获取到视频，从而减少了制作视频所需的时间；

通过文本直接生成视频只会在空间维度对视频生成的内容进行直接引导，但是对于视频生成来说，只从空间维度上使用文本引导往往是不够的，因为视频还存在时间维度，并且文本的语义在某些时候会出现混淆的问题，进而导致生成的视频不准确。

发明内容

本发明实施例提供一种视频生成方法、装置、设备及存储介质，以实现能够提升生成视频的准确度和效率。

根据本发明的一方面，提供了一种视频生成方法，包括：

获取当前模式、噪声视频以及文本提示信息；

将所述噪声视频、文本提示信息以及当前模式对应的掩码视频输入目标模型，得到目标去噪视频，其中，所述目标模型通过目标样本集迭代训练第一模型得到，所述目标样本集包括：视频样本和视频样本中的文本标注。

根据本发明的另一方面，提供了一种视频生成装置，该视频生成装置包括：

获取模块，用于获取当前模式、噪声视频以及文本提示信息；

目标去噪视频确定模块，用于将所述噪声视频、文本提示信息以及当前模式对应的掩码视频输入目标模型，得到目标去噪视频，其中，所述目标模型通过目标样本集迭代训练第一模型得到，所述目标样本集包括：视频样本和视频样本中的文本标注。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的视频生成方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的视频生成方法。

本发明实施例通过获取当前模式、噪声视频以及文本提示信息；将所述噪声视频、文本提示信息以及当前模式对应的掩码视频输入目标模型，得到目标去噪视频，其中，所述目标模型通过目标样本集迭代训练第一模型得到，所述目标样本集包括：视频样本和视频样本中的文本标注，能够提升生成视频的准确度和效率。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例中的一种视频生成方法的流程图；

图2是本发明实施例中的第一模型的结构示意图；

图3是本发明实施例中的时空增强子网络的结构示意图；

图4是本发明实施例中的混合概率模式选择示意图；

图5是本发明实施例中的一种视频生成装置的结构示意图；

图6是本发明实施例中的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

实施例一

图1为本发明实施例提供的一种视频生成方法的流程图，本实施例可适用于视频生成的情况，该方法可以由本发明实施例中的视频生成装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：

S110，获取当前模式、噪声视频以及文本提示信息。

其中，所述当前模式可以为生成模式，也可以为预测模式。所述噪声视频可以为带噪声的至少两个视频帧，所述文本提示信息可以为与噪声视频相关的场景描述信息，例如可以是，所述文本提示信息可以为：XX来到了XX城市。

S120，将所述噪声视频、文本提示信息以及当前模式对应的掩码视频输入目标模型，得到目标去噪视频。

其中，所述目标模型通过目标样本集迭代训练第一模型得到，所述目标样本集包括：视频样本和视频样本中的文本标注。

其中，所述目标模型可以包括：编码器、时空增强网络以及解码器。

其中，所述当前模式对应的掩码视频可以为生成模式对应的掩码视频，也可以为预测模式对应的掩码视频，所述生成模式对应的掩码概率大于所述预测模式对应的掩码概率。所述掩码视频可以为对用户输入的视频进行掩码后得到的掩码视频，掩码视频还可以为对模型上一次输出的视频进行掩码后得到的掩码视频，本发明实施例对掩码视频的获取方式不进行限制。

具体的，将所述噪声视频、文本提示信息以及当前模式对应的掩码视频输入目标模型，得到目标去噪视频的方式可以为：若当前模式为生成模式，则将噪声视频、文本提示信息以及生成模式对应的掩码视频输入编码器，得到编码器输出的特征信息，将所述编码器输出的特征信息输入时空增强网络，得到时空增强网络输出的特征信息，将时空增强网络输出的特征信息输入解码器，得到目标去噪视频。若当前模式为预测模式，则将噪声视频、文本提示信息以及预测模式对应的掩码视频输入编码器，得到编码器输出的特征信息，将所述编码器输出的特征信息输入时空增强网络，得到时空增强网络输出的特征信息，将时空增强网络输出的特征信息输入解码器，得到目标去噪视频。

需要说明的是，所述时空增强网络包括至少两个时空增强子网络，所述时空增强子网络从输入到输出方向依次包括：空间卷积层、空间自注意力层、空间图像交互注意力层、空间文本交互注意力层、时间自注意力层以及时间文本交互注意力层。

可选的，通过目标样本集迭代训练第一模型，包括：

获取目标样本集，其中，所述目标样本集包括：视频样本和视频样本中的文本标注；

对所述视频样本添加噪声，得到噪声视频样本；

对所述视频样本进行掩码，得到掩码后的视频样本；

从视频样本中选取任一帧作为视觉提示信息；

将带噪声的视频样本、掩码后的视频样本、视频样本中的文本标注、视觉提示信息输入第一模型，得到预测去噪视频，其中，所述掩码后的视频样本包括：第一掩码后的视频样本或者第二掩码后的视频样本，所述掩码后的视频样本为第一掩码后的视频样本的概率大于为第二掩码后的视频样本的概率；

根据预测去噪视频和视频样本生成的目标函数训练第一模型的参数；

返回执行将带噪声的视频样本、掩码后的视频样本、视频样本中的文本标注、视觉提示信息输入第一模型，得到预测去噪视频的操作，直至得到目标模型。

具体的，从视频样本中选取任一帧作为视觉提示信息的方式可以为：随机选取视频样本中的一帧作为视觉提示信息。

需要说明的是，为了提升生成的视频的准确率可以在选取视觉提示信息时，选取视频样本中目标对象的占比大于设定阈值的视频帧作为视觉提示信息。

其中，第一掩码后的视频样本为生成模式对应的掩码后的视频样本，第二掩码后的视频样本为预测模式对应的掩码后的视频样本，由于预测模式包括多种类型，则第二掩码后的视频样本包括：任一预测模式对应的掩码后的视频样本。需要说明的是，可以包括多种预测模式，例如：预测模式包括：拼接一帧的预测模式，拼接两帧的预测模式以及拼接三帧的预测模式，以此类推，在此不进行赘述。也就是说预测模式包括：拼接不同帧的预测模式。生成模式对应的掩码概率大于拼接任一数量帧的预测模式对应的掩码概率。

此外，在对第一模型进行训练的过程中，生成模式对应的样本数量大于拼接任一数量帧的预测模式对应的样本数量。也就是说，在进行模型训练的过程中，掩码后的视频样本为生成模式对应的掩码后的视频样本的概率大于拼接任一数量帧的预测模式对应的掩码后的视频样本的概率。

可选的，对所述视频样本进行掩码，得到掩码后的视频样本，包括：

根据第一掩码概率对所述视频样本进行第一掩码，得到第一掩码后的视频样本；

根据第二掩码概率对所述视频样本进行第二掩码，得到第二掩码后的视频样本，其中，所述第一掩码概率大于所述第二掩码概率。

其中，所述第一掩码概率为生成模式对应的掩码概率，所述第二掩码概率为预测模式对应的掩码概率。

需要说明的是，由于预测模式包括拼接不同帧的预测模式，则拼接不同帧的预测模式对应的掩码概率均不相同，例如可以是，生成模式对应的第一掩码概率大于拼接一帧的预测模式对应的掩码概率，拼接一帧的预测模式对应的掩码概率大于拼接两帧的预测模式对应的掩码概率，拼接两帧的预测模式对应的掩码概率大于拼接三帧的预测模式对应的掩码概率。

可选的，所述第一模型从输入到输出方向依次包括：编码器、时空增强网络以及解码器。

在一个具体的例子中，第一模型如图2所示，所述第一模型从输入到输出方向依次包括：编码器、时空增强网络以及解码器，时空增强网络包括4个时空增强子网络。

本发明实施例提供的第一模型可以同时输入文本提示信息和图像提示信息，两种提示和模型在时空增强网络中进行交互，使生成的视频内容同时与两种提示信息对齐。

需要说明的是，如图2所示，第一模型还包括：视觉编码器和文本编码器。

可选的，将带噪声的视频样本、掩码后的视频样本、视频样本中的文本标注、视觉提示信息输入第一模型，得到预测视频帧，包括：

将带噪声的视频样本、掩码后的视频样本、视频样本中的文本标注、视觉提示信息输入编码器，得到编码器输出的特征信息；

根据对所述视频样本添加的噪声确定时间步；

将所述编码器输出的特征信息和所述时间步输入时空增强网络，得到目标特征信息；

将所述目标特征信息输入解码器，得到预测去噪视频。

具体的，将所述编码器输出的特征信息和所述时间步输入时空增强网络，得到目标特征信息的方式可以为：将所述编码器输出的特征信息和所述时间步输入首个时空增强子网络，得到首个时空增强子网络输出的特征信息，将首个时空增强子网络输出的特征信息输入第二个时空增强子网络，得到第二个时空增强子网络输出的特征信息，重复执行上述过程，直至得到最后一个时空增强子网络输出的特征信息，也就是目标特征信息。

在一个具体的例子中，如图2所示，将所述编码器输出的特征信息和所述时间步输入首个时空增强子网络，得到首个时空增强子网络输出的特征信息，将首个时空增强子网络输出的特征信息输入第二个时空增强子网络，得到第二个时空增强子网络输出的特征信息，将第二个时空增强子网络输出的特征信息输入第三个空增强子网络，得到第三个时空增强子网络输出的特征信息，将第三个时空增强子网络输出的特征信息输入第四个时空增强子网络，得到目标特征信息。

现有技术中，基于文本生成视频的过程中，通常文本内容只会在空间维度对视频生成的内容进行直接引导，但是对于视频生成来说，只从空间维度上使用文本引导往往是不够的，因为视频还存在时间维度，并且文本的语义在某些时候会出现混淆的问题，所以本发明实施例提出了时空增强网络，在时间维度上加入了文本对生成视频的引导，并且为了让模型在生成视频的同时能够参考图片，所以在空间维度上加入了图像对生成视频的引导。

考虑到计算效率和设备显存的限制，目前通用的文本-视频生成模型的训练方案是使用20帧以内的视频进行训练，这样得到的视频生成模型只能生成3秒以内的视频，为了生成更长的视频，本发明实施例提出了一种新的混合训练策略，同时训练视频生成模型的文本-视频生成能力和文本-视频预测能力，这样在视频生成之后可以继续使用视频预测以生成时间跨度更长的视频。

可选的，所述时空增强网络包括至少两个时空增强子网络，所述时空增强子网络从输入到输出方向依次包括：空间卷积层、空间自注意力层、空间图像交互注意力层、空间文本交互注意力层、时间自注意力层以及时间文本交互注意力层。

在一个具体的例子中，如图3所示，所述时空增强子网络从输入到输出方向依次包括：空间卷积层、空间自注意力层、空间图像交互注意力层、空间文本交互注意力层、时间自注意力层以及时间文本交互注意力层。

文本提示信息分别从空间维度和时间维度与生成的内容进行交互，交互的方式是交叉注意力，即从文本中抽取对应的信息到空间维度和时间维度上，而图像信息从空间维度与生成的内容进行交互，交互的方式也是交叉注意力，即从图像中抽取对应的信息到空间维度上。

可选的，将所述编码器输出的特征信息和所述时间步输入时空增强网络，得到目标特征信息，包括：

将所述编码器输出的特征信息和所述时间步输入首个时空增强子网络，得到首个时空增强子网络输出的特征信息；

将第N个时空增强子网络输出的特征信息输入第N+1个时空增强子网络，得到第N+1个时空增强子网络输出的特征信息，其中，N为大于1的正整数；

将最后一个时空增强子网络输出的特征信息确定为目标特征信息。

具体的，若时空增强子网络为首个时空增强子网络，则将所述编码器输出的特征信息和所述时间步输入首个时空增强子网络，得到首个时空增强子网络输出的特征信息，若时空增强子网络非首个时空增强子网络，则将第N个时空增强子网络输出的特征信息输入第N+1个时空增强子网络，得到第N+1个时空增强子网络输出的特征信息。

可选的，将所述编码器输出的特征信息和所述时间步输入首个时空增强子网络，得到首个时空增强子网络输出的特征信息，包括：

将所述编码器输出的特征信息和所述时间步输入空间卷积层，得到第一特征信息；

将第一特征信息输入空间自注意力层，得到第二特征信息；

将视觉提示信息输入视觉编码器，得到视觉特征；

将视频样本中的文本标注输入文本编码器，得到文本特征；

将第二特征信息和视觉特征输入空间图像交互注意力层，得到第三特征信息；

将第二特征信息和文本特征输入空间文本交互注意力层，得到第四特征信息；

将第三特征信息和第四特征信息叠加后输入时间自注意力层，得到第五特征信息；

将第五特征信息和文本特征输入时间文本交互注意力层，得到首个时空增强子网络输出的特征信息。

可选的，将第N个时空增强子网络输出的特征信息输入第N+1个时空增强子网络，得到第N+1个时空增强子网络输出的特征信息，包括：

将第N个时空增强子网络输出的特征信息和所述时间步输入空间卷积层，得到空间卷积层输出的特征信息；

将空间卷积层输出的特征信息输入空间自注意力层，得到空间自注意力层输出的特征信息；

将视觉提示信息输入视觉编码器，得到视觉特征；

将视频样本中的文本标注输入文本编码器，得到文本特征；

将空间自注意力层输出的特征信息和视觉特征输入空间图像交互注意力层，得到空间图像交互注意力层输出的特征信息；

将空间自注意力层输出的特征信息和文本特征输入空间文本交互注意力层，得到空间文本交互注意力层输出的特征信息；

将空间图像交互注意力层输出的特征信息和空间文本交互注意力层输出的特征信息叠加后输入时间自注意力层，得到时间自注意力层输出的特征信息；

将时间自注意力层输出的特征信息和文本特征输入时间文本交互注意力层，得到第N+1个时空增强子网络输出的特征信息。

需要说明的是，视频生成的模式选择机制能够按照一定的概率分布在训练是选择进行生成和预测的训练，需要平衡两种机制的训练比例，因为生成更多地是一种从无到有的过程，而预测则需要更多的从前面的帧中抽取信息。

在一个具体的例子中，如图4所示，模式选择机制通过一定的概率机制下的掩码方式，在训练的时候调控模型可以见到的前K帧图片，保证在训练过程中赋予模型文本到视频的生成能力和预测能力。

其中，α为预设参数，k为掩码概率，m为最大掩码概率。

本实施例的技术方案，通过获取当前模式、噪声视频以及文本提示信息；将所述噪声视频、文本提示信息以及当前模式对应的掩码视频输入目标模型，得到目标去噪视频，其中，所述目标模型通过目标样本集迭代训练第一模型得到，所述目标样本集包括：视频样本和视频样本中的文本标注，能够提升生成视频的准确度和效率。

实施例二

图5为本发明实施例提供的一种视频生成装置的结构示意图。本实施例可适用于视频生成的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供视频生成功能的设备中，如图5所示，所述视频生成装置具体包括：获取模块210和目标去噪视频确定模块220。

其中，获取模块，用于获取当前模式、噪声视频以及文本提示信息；

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

实施例三

图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如视频生成方法。

在一些实施例中，视频生成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的视频生成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视频生成方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims

1.一种视频生成方法，其特征在于，包括：

获取当前模式、噪声视频以及文本提示信息；

2.根据权利要求1所述的方法，其特征在于，通过目标样本集迭代训练第一模型，包括：

对所述视频样本添加噪声，得到噪声视频样本；

对所述视频样本进行掩码，得到掩码后的视频样本；

从视频样本中选取任一帧作为视觉提示信息；

3.根据权利要求1所述的方法，其特征在于，对所述视频样本进行掩码，得到掩码后的视频样本，包括：

4.根据权利要求2所述的方法，其特征在于，所述第一模型从输入到输出方向依次包括：编码器、时空增强网络以及解码器。

5.根据权利要求4所述的方法，其特征在于，将带噪声的视频样本、掩码后的视频样本、视频样本中的文本标注、视觉提示信息输入第一模型，得到预测视频帧，包括：

根据对所述视频样本添加的噪声确定时间步；

将所述目标特征信息输入解码器，得到预测去噪视频。

6.根据权利要求5所述的方法，其特征在于，所述时空增强网络包括至少两个时空增强子网络，所述时空增强子网络从输入到输出方向依次包括：空间卷积层、空间自注意力层、空间图像交互注意力层、空间文本交互注意力层、时间自注意力层以及时间文本交互注意力层。

7.根据权利要求6所述的方法，其特征在于，将所述编码器输出的特征信息和所述时间步输入时空增强网络，得到目标特征信息，包括：

8.根据权利要求7所述的方法，其特征在于，将所述编码器输出的特征信息和所述时间步输入首个时空增强子网络，得到首个时空增强子网络输出的特征信息，包括：

将第一特征信息输入空间自注意力层，得到第二特征信息；

将视觉提示信息输入视觉编码器，得到视觉特征；

将视频样本中的文本标注输入文本编码器，得到文本特征；

9.一种视频生成装置，其特征在于，包括：

10.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的视频生成方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的视频生成方法。