摘要

我们提出 VideoGPT：一种概念简洁的架构，可将基于似然的生成建模方法扩展至自然视频生成。VideoGPT 采用 VQ-VAE 模型，通过使用三维卷积和轴向自注意力机制，学习原始视频的下采样离散潜在表示。随后，利用一种类似 GPT 的简单架构，结合时空位置编码，对这些离散潜在变量进行自回归建模。尽管该架构在形式上简洁且易于训练，但在 BAIR 机器人数据集上生成的视频样本已达到与当前最先进的 GAN 模型相媲美的水平；同时，它还能从 UCF-101 和 Tumbler GIF 数据集（TGIF）中生成高质量、高保真的自然视频。我们期望所提出的架构能为基于 Transformer 的视频生成模型提供一个可复现的最小化实现参考。相关样本与代码已公开，详见：https://wilson1yan.github.io/videogpt/index.html