Transformer结构中的哪些关键点使Sora能够生成连贯且语义准确的长视频?
Transformer结构中的自注意力机制和交叉注意力机制是使Sora能够生成连贯且语义准确的长视频的两个关键点。
自注意力机制让每一个视频patch关注其他所有patch,保持视频连贯性和持久性。
交叉注意力机制则让每一个视频patch关注所有提示词文本token,使模型准确理解提示词语义意图。
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。