▲ 图源 谷歌官方新闻稿（下同）
谷歌表示，业界绝大多数“文生视频”模型无法天生韶光长、质量佳、动作连贯逼真的内容，这是由于此类模型常日“分段天生视频”，首先产生几张关键帧，接着用“韶光超级分辨率（Temporal Super-Resolution）”技能，天生关键帧之间的视频文件，这种方法虽然能够节省 RAM，但难以天生“连贯逼真”的视频。
谷歌提到，他们的新模型 Lumiere 相对付业界模型最大的不同是采取了全新“Space-Time U-Net”根本架构，该架构能够在空间和韶光上同时“降采样（Downsample）”旗子暗记，从而在“更紧凑的时空中进行更多运算”，令 Lumiere 天生持续韶光更长、动作更连贯的视频。
IT之家把稳到，Lumiere 一次可以天生 80 帧视频（16FPS 下 5 秒视频 / 24FPS 下约 3.34 秒视频），虽然这一数据看起来很短，不过研究职员提到，5 秒视频长度实际上“已经超过大多数媒体作品中的均匀镜头时长”。
除了运用“Space-Time U-Net”根本架构外，谷歌还先容了 Lumiere 的根本特性，该 AI 建立在一个经由预先演习的“文生图”模型根本上，研究职员首先让根本模型天生视频分帧的基本像素草稿，接着通过空间超分辨率（SSR）模型，逐步提升分帧分辨率及细节，并利用“Multidiffusion”通用天生框架提升模型稳定性，从而担保了终极输出的视频同等性和连续性。
