make-a-video-pytorch

收录理由

Meta 的 Make-A-Video 核心思路，是给一个强大的文生图扩散模型装上时间感知能力。这个 PyTorch 实现把关键步骤拆解得明明白白：用伪三维轴向卷积在帧之间低成本地融合信息，再用时空注意力捕捉长程运动。时间层被设计成遇到二维图像张量时自动跳过，并初始化为恒等映射，这意味着你可以先用图像训练一个现成的二维 U-Net，之后再无缝切到视频，无需改动任何结构。代码里还提供了时间训练开关和可选的 flash-attention 路径，想把自己扩散流程里的模块替换进去并不费劲。不过要留意，这是对论文的讲解式复现，并非开箱即用的文生视频服务，训练和采样周边的逻辑还得你自己动手补齐。