GameFactory是什么
GameFactory 是香港大学和快手科技联合提出的创新框架，解决游戏视频生成中的场景泛化难题。框架基于预训练的视频扩散模型，结合开放域视频数据和小规模高质量的游戏数据集，通过多阶段训练策略，实现动作可控的游戏视频生成。
GameFactory的主要功能
- 场景泛化能力：GameFactory 能生成多样化的游戏场景，不局限于单一风格或预设的场景。使生成的视频更具真实感和多样性。
- 动作可控性：通过动作控制模块，GameFactory 可以实现对生成视频中角色或物体动作的精确控制。
- 高质量数据集支持：为了支持动作可控的视频生成，GameFactory 采用了 GF-Minecraft 数据集。该数据集包含 70 小时的《我的世界》游戏视频，具有多样化的场景和详细的动作标注。
- 交互式视频生成：GameFactory 支持生成无限长度的交互式游戏视频。用户可以通过输入指令或交互信号来控制视频内容的变化。
GameFactory的技术原理
- 预训练视频扩散模型：GameFactory 基于在开放域视频数据上预训练的视频扩散模型，能生成多样化的游戏场景，突破了传统方法对特定游戏风格和场景的限制。
- 三阶段训练策略
- 第一阶段：使用 LoRA（Low-Rank Adaptation）对预训练模型进行微调，使其适应目标游戏领域，同时保留大部分原始参数。确保模型在开放域的泛化能力得以保留。
- 第二阶段：冻结预训练参数和 LoRA，专注于训练动作控制模块，避免风格与控制信号之间的纠缠。目标是确保生成的视频能根据用户输入进行准确的动作控制。
- 第三阶段：移除 LoRA 权重，保留动作控制模块参数，使系统能在各种开放域场景中生成受控的游戏视频，不局限于特定的游戏风格。
- 动作控制模块：GameFactory 引入了动作控制模块，支持自回归动作控制，能生成无限长度的交互式游戏视频。
- GF-Minecraft 数据集：为了支持动作可控的视频生成，研究团队发布了高质量的动作标注视频数据集 GF-Minecraft。数据集包含 70 小时的《我的世界》游戏视频，具有多样化的场景和详细的动作标注。数据集的设计满足了以下三个关键需求：
- 可定制的动作：支持大规模、低成本的数据收集。
- 无偏的动作序列：确保动作组合的多样性和低概率事件的覆盖。
- 多样化的场景：通过预设的环境配置（如不同的生物群落、天气条件和时间段）增强场景多样性。
GameFactory的项目地址
GameFactory的应用场景
- 游戏开发：GameFactory 通过预训练的视频扩散模型和动作控制模块，能生成多样化的游戏场景和交互式视频内容。
- 游戏内容创新：GameFactory 的开放域生成能力使其能够突破传统游戏引擎的限制，创造出全新的游戏风格和场景。
- 自动驾驶：其动作控制模块和场景生成能力可以用于模拟自动驾驶环境，生成多样化的驾驶场景。
- 具身智能（Embodied AI）：通过生成多样化的交互场景，为具身智能的研究提供支持。