视频生成

(Arxiv-2025)通过动态 token 剔除实现无需训练的高效视频生成paper是CUHK发布在Arxiv 2025的工作paper title：Training-Free Efficient Video Generation via Dynamic Token Carving

Seedance：字节发布视频生成基础模型新SOTA，能力全面提升Seedance 1.0 是由字节跳动推出的高性能视频生成基础模型，旨在突破当前视频生成模型在指令遵循、运动合理性与视觉质量平衡方面的瓶颈。该模型通过多源数据整合与精准视频字幕生成，实现了跨多样化场景的全面学习；采用高效的架构设计，支持多镜头生成以及文本到视频和图像到视频任务的联合学习；通过细粒度监督微调和多维度奖励机制的强化学习，显著提升了模型性能；并借助多阶段蒸馏策略和系统级优化，实现了 10 倍的推理加速。

春末的南方城市

腾讯开源视频生成工具 HunyuanVideo-Avatar，上传一张图+一段音频，就能让图中的人物、动物甚至虚拟角色“活”过来，开口说话、唱歌、演相声！腾讯混元团队提出的 HunyuanVideo-Avatar 是一个基于多模态扩散变换器（MM-DiT）的模型，能够生成动态、情绪可控和多角色对话视频。支持仅 10GB VRAM 的单 GPU运行，支持多种下游任务和应用。例如生成会说话的虚拟形象视频，可用于电商、在线直播、社交媒体视频制作等。此外，其多角色动画功能则拓展了视频内容创作、编辑等应用场景。

大数据AI人工智能培训专家培训讲师叶梓

FramePack：让视频生成更高效、更实用想要掌握如何将大模型的力量发挥到极致吗？叶梓老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具（限时免费）。

OpenBayes 一周速览｜1分钟生成完整音乐，DiffRhythm人声伴奏一键搞定； Stable Virtual Camera重塑3D视频创作5 个数据集：* 302 例罕见病病例数据集* DRfold2 RNA 结构测试数据集* NaturalReasoning 自然推理数据集

HyperAI超神经

Stable Virtual Camera 重新定义3D内容生成，解锁图像新维度；BatteryLife助力更精准预测电池寿命在数字内容创作的激烈竞争中，Stability AI 正站在命运的十字路口。这家曾以 Stable Diffusion 引爆图像生成革命的公司，却因上层管理问题陷入了危机。近期，Stability AI 推出了 Stable Virtual Camera 模型，不知能否以一记重拳打破僵局。

开源免费一句话生成儿童故事视频核心思想解析再看一个演示视频，学会核心思想后，可以打造自己的内容生成工具，后文有基于飞书多维表格的实现效果：一句话灵感生成儿童故事视频演示

通向AGI的未来之路！首篇2D/视频/3D/4D统一生成框架全景综述(港科大&中山等)文章链接： https://arxiv.org/pdf/2503.04641理解并复现现实世界是人工通用智能（AGI）研究中的一个关键挑战。为实现这一目标，许多现有方法（例如世界模型）旨在捕捉支配物理世界的基本原理，从而实现更精确的模拟和有意义的交互。然而，当前的方法通常将不同模态（包括2D（图像）、视频、3D和4D表示）视为独立领域，忽略了它们之间的相互依赖性。此外，这些方法通常专注于现实的孤立维度，而没有系统地整合它们之间的联系。在本综述中，我们提出了一种多模态生成模型的统一综述，探讨了现实世界模拟中

【三维分割】LangSplat: 3D Language Gaussian Splatting（CVPR 2024 highlight）论文：https://arxiv.org/pdf/2312.16084 代码：https://github.com/minghanqin/LangSplat

大数据AI人工智能培训专家培训讲师叶梓

OmniHuman：一张图+音频生成逼真视频人工智能咨询培训老师叶梓转载标明出处想要掌握如何将大模型的力量发挥到极致吗？叶老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具（限时免费）。

从低清到4K的魔法：FlashVideo突破高分辨率视频生成计算瓶颈(港大&港中文&字节)论文链接：https://arxiv.org/pdf/2502.05179 项目链接：https://github.com/FoundationVision/FlashVideo

Tune-A-Video：使用图像扩散模型进行一次微调实现文本到视频的生成Paper: Wu J Z, Ge Y, Wang X, et al. Tune-a-video: One-shot tuning of image diffusion models for text-to-video generation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2023: 7623-7633. Introduction: https://tuneavideo.github.

LTX-Video 高效视频生成模型，一键处理图片&文字LTX-Video 是由 Lightricks 在 2024 年开发的一种视频生成模型，这种模型采用了 transformer 和 Video-VAE 技术，能够高效生成高分辨率视频。此外，LTX-Video 支持多种视频生成方式，包括从文本到视频和从图像到视频。

【AIGC】SYNCAMMASTER：多视角多像机的视频生成标题：SYNCAMMASTER: SYNCHRONIZING MULTI-CAMERA VIDEO GENERATION FROM DIVERSE VIEWPOINTS 主页：https://jianhongbai.github.io/SynCamMaster/ 代码：https://github.com/KwaiVGI/SynCamMaster

StyleGaussian: Instant 3D Style Transferwith Gaussian Splatting 论文解读目录一、概述二、相关工作1、辐射场2、3D编辑3、风格迁移三、StyleGaussian1、特征嵌入2、风格迁移

视频编辑最新SOTA！港中文&Adobe等发布统一视频生成传播框架——GenProp文章链接：https://arxiv.org/pdf/2412.19761 项目链接：https://genprop.github.io

HunyuanVideo: A Systematic Framework For LargeVideo Generative Models 论文解读目录一、概述二、相关工作三、Hunyuan Video1、总论2、数据预处理2.1数据过滤2.2数据注释

NeurIPS 2024 | 像素级LLM实现图像视频理解、生成、分割和编辑大统一（昆仑万维等）Accepted by NeurIPS 2024文章链接：https://arxiv.org/pdf/2412.19806 项目链接：https://vitron-llm.github.io/ Github链接：https://github.com/SkyworkAI/Vitron

无需训练！多提示视频生成最新SOTA！港中文&腾讯等发布DiTCtrl：基于MM-DiT架构文章链接：https://arxiv.org/pdf/2412.18597 项目链接：https://github.com/TencentARC/DiTCtrl

Diffusion Transformer(DiT)——将扩散过程中的U-Net换成ViT：近频繁用于视频生成与机器人动作预测(含清华PAD详解)本文最开始属于此文《视频生成Sora的全面解析：从AI绘画、ViT到ViViT、TECO、DiT、VDT、NaViT等》