登录社区云，与社区用户共同成长
邀请您加入社区
最近比较火的，AI 森林治愈系的画风，一个充满自然气息的森林场景，主体对象是一只可爱的卡通小生物，它有着圆滚滚的身体和两个小红点，看起来非常可爱。本节介绍如何使用豆包即梦也快速实现这种AI森林治愈系风格视频。
AI 漫导（DirectorAI）真的让 “人人都是漫剧导演” 从口号变成现实！不用学 Pr、不用画分镜、不用写完整剧本，手机就能让脑洞落地，不管是记录生活、分享创意，还是做账号涨粉，都超实用
本文深入探讨了基于RTX4090的Runway视频生成技术，涵盖环境搭建、模型优化、性能调优及典型应用场景，系统性地展示了如何利用GPU算力提升AI视频生成效率与质量。
《KlingAvatar2.0：多模态协同推理的数字人生成框架》提出了一种创新的时空级联架构，通过多专家协同导演实现高分辨率、长时长数字人视频合成。该系统采用两阶段生成流程：首先生成低分辨率全局"蓝图"，再通过时空上采样细化高分辨率子片段。创新性地引入音频/视觉/文本三位专家组成的协同推理导演模块，通过多轮对话解决多模态指令冲突，并新增"负面导演"优化生成质
UniMAGE：统一导演模型实现连贯音视频生成 摘要：本文提出UniMAGE，一个创新的统一导演模型，通过整合剧本创作与关键帧生成来解决现有AI视频创作系统叙事断裂的问题。该模型采用混合Transformer架构，创新性地设计了"先交错后解耦"的双阶段训练范式：交错概念学习阶段促进文本-图像的深度理解，解耦专家学习阶段则分离剧本与图像生成以增强灵活性。
弗吉尼亚理工学院：让AI视频生成突破时长限制，实现电影级创作
石溪大学解锁AI视频生成中的重力难题：让虚拟世界服从物理定律
Synthesia是一款革命性AI视频生成平台，用户仅需输入文本即可快速创建专业视频，无需演员或复杂设备。主要功能包括多样化AI虚拟形象、文本转语音、可定制模板、多语言翻译和互动视频元素。平台提供三种定价方案（起动机18美元/月、创作者64美元/月及企业定制），支持65种语言，已创建超1000万视频。优势在于节省成本、操作简便且支持协作，但可能无法完全替代专业视频制作。由伦敦大学学院研究人员创立，
大连理工大学联合快手科技推出革命性AI视频生成框架
视频AI学会了空间思维：Netflix的新模型让机器拥有真正的方向感
字节跳动推出UniMAGE：让普通人也能拍出好莱坞大片的AI导演
本文提出LongVie框架，针对可控长视频生成中的时序不一致性和视觉退化两大挑战进行了创新性解决。通过多模态控制机制（结合稠密深度图与稀疏关键点）、全局归一化和统一噪声初始化，显著提升了生成质量。实验表明，LongVie在1分钟以上视频生成中达到SOTA性能，并构建了包含100个1分钟视频的LongVGenBench评测基准。该工作为超长视频生成提供了新思路和评估标准。
本文提出Video Alchemist，一种支持多主体开放集个性化的视频生成模型。该模型基于新型Diffusion Transformer模块构建，通过交叉注意力层融合参考图像和主体级文本提示，可同时处理前景物体和背景个性化，无需测试阶段优化。针对数据收集难题，作者设计自动化流程从视频中提取参考帧并构建增强数据集，缓解过拟合问题。此外，提出MSRVTT-Personalization评估基准，在对
本文摘要： OPENS2V-NEXUS是北京大学提出的面向主体到视频(S2V)生成任务的首个综合性基准与百万规模数据集。该工作包含OpenS2V-Eval基准和OpenS2V-5M数据集两部分。OpenS2V-Eval定义了7个S2V生成类别（如单人脸/身体/实体到视频等），包含180个测试样本，并提出了三个创新评估指标：NexusScore（主体一致性）、NaturalScore（自然性）和Gm
当前的视频生成大模型的研究正在快速发展，尤其是基于深度学习的生成模型。视频生成技术主要是指通过模型生成视频内容，通常需要处理图像生成、时序建模、运动模拟和场景理解等多个方面。视频生成的任务包括从零生成视频、视频编辑、视频增强等。
Phantom: Subject-Consistent Video Generation via Cross-Modal Alignment 是北京字节跳动智能创作团队提出的一种新型视频生成方法，旨在解决主体一致性视频生成的难题。该方法通过平衡文本和图像的双重模态提示，实现文本和视觉内容的深度对齐，从而生成高质量的主体一致性视频。
Prompt Adherence（提示词遵循）：现有通用多模态大语言模型（MLLM）难以理解电影语法（如镜头构图、演员表情、摄像机运动），导致生成的视频不符合专业电影风格。Motion Dynamics（运动动态）：现有方法在优化时往往牺牲运动质量以提升视觉质量，导致动态效果不足。Video Duration（视频时长）：现有模型受限于分辨率优化，通常只能生成5-10秒的短视频，难以实现长视频合成
Wan-Move，一个用于视频生成中精确的运动控制的简单且可扩展的框架。通过点轨迹表示运动，并通过空间映射将其传输到潜在坐标，无需额外的运动编码器。通过隐空间特征复制将轨迹引导注入第一帧条件特征，在不改变架构的情况下实现了有效的运动控制。
本文提出视频化下一代事件预测（VNEP）新任务，将事件推理从文本描述升级为动态视频演示。针对该任务的多模态协同挑战，作者设计了VANS框架：通过联合分组相对策略优化（Joint-GRPO）算法，分阶段协调视觉语言模型（VLM）和视频扩散模型（VDM）。VLM首先生成视觉友好的事件描述，VDM随后生成语义准确且视觉连贯的预测视频。为支持模型训练，构建了包含10万样本的VANS-Data-100K数据
Pika作为AI视频生成工具，通过提示工程与多模态协同，助力电商广告实现高效、个性化的短视频创作，提升营销转化效果。
港中大与牛津等联合发现：AI生成视频骗过顶级检测模型
解决的问题多模态大语言模型（MLLMs）在支持多任务方面缺乏统一性，特别是图像和视频的联合处理能力不足。模型在细粒度像素级理解上存在局限，无法实现高精度的视觉区域定位与编辑。视觉功能单一，难以支持从视觉理解到生成、分割、编辑等全方位任务。多任务间存在协作性不足，任务间可能互相影响，难以实现统一优化。**提出的方案 **统一架构设计：VITRON 采用基于 LLM 的框架，前端集成图像、视频和像素级
文心一言视频生成技术基于多模态融合与扩散模型，实现从文本到高质量视频的端到端生成，广泛应用于短视频创作、电商营销与教育科普，支持语义解析、风格控制与实时优化。
本周精选10篇CV领域前沿论文，覆盖视频生成与理解、3D视觉与运动迁移、多模态与跨模态智能、专用场景视觉技术等方向。全部300多篇论文已经整理好，感兴趣的自取！
AI视频生成技术已不再是局限于实验室的前沿探索，而是深度渗透到影视娱乐、营销、文旅、教育、医疗、新闻媒体等多个领域，从单一的创意辅助工具，升级为驱动行业全流程重构的核心引擎。其核心价值集中在“降本增效”与“创意赋能”，既系统性改变了行业成本结构，也催生了全新的内容形态与商业模式。
FramePack-F1 是一个 FramePack 模型，它只从历史帧中预测未来的帧。F1 表示“向前”版本 1，表示其预测方向（它估计向前，而不是向后估计）。此单向模型比双向默认模型受到的约束更少。更大的差异和更多的动态将可见。FramePack 是一种用于逐步生成视频的下一帧（下一帧部分）预测神经网络结构。FramePack 将输入上下文压缩到固定长度，以便生成工作量与视频长度无关。即使在笔
OpenHumanVid是一个大规模、高质量的以人为中心的视频数据集，旨在解决现有视频生成模型在人物表现上的不足。该数据集包含13.2百万高质量视频片段，配备多模态标注，如详细文本描述、骨骼序列和语音音频，并强调文本与人物外观、动作及表情的精准对齐。通过实验验证，基于此数据集训练的模型显著提升了生成视频的人物一致性和动作自然度，同时保持通用视频生成性能。研究证明，数据规模、质量和多模态对齐对提升人
StreamingVLM提出了一种统一的流式视觉语言模型框架，通过创新的训练-推理对齐机制解决长视频处理难题。核心贡献包括：1）采用重叠窗口全注意力训练策略，使短视频训练自然适配无限长度推理；2）设计分层KV缓存机制（注意力汇聚+非对称视觉/文本窗口），在单卡H100上实现8FPS稳定流式推理；3）构建首个超2小时的长时视频评测基准Inf-Streams。实验表明，该方法在解说质量上超越GPT-4
Sora 2应用向美国等地用户全面开放，无需邀请码
某机构宣布将其Grok Imagine工具免费向所有用户开放。这款图像转视频生成式人工智能工具现已可在iOS和Android平台的Grok应用程序中使用。Grok Imagine是目前少数无需订阅或付费即可向公众开放的图像转视频生成式AI工具之一。该功能允许用户直接在应用程序内创建图像或上传现有图像。随后会出现提示或按钮，支持将图像转换为视频序列。“Grok Imagine现已在该应用中免费向所有
Wan2.2-T2V-5B因参数量、分辨率和解码器限制易产生视频模糊，但可通过增加推理步数、超分辨率处理、优化提示词、轻度锐化及合理应用场景选择显著提升视觉质量。本文深入解析模糊成因并提供五项实用优化策略，帮助用户在低成本下实现高效视频生成。
在短视频创作日益普及的当下，手动制作视频不仅耗时，还需掌握剪辑、文案撰写等多种技能。而 MoneyPrinterTurbo 作为一款开源全自动短视频生成工具，只需输入主题或关键词，即可自动完成文案生成、素材匹配、字幕制作、BGM搭配，并合成高清短视频。本文将从项目介绍、特色、部署安装到实际使用，为你提供一份完整教程，帮助你快速上手这款工具。
通义千问视频生成技术通过多模态AI实现文本到视频的自动化生产，应用于电商、教育、新闻等领域，显著降低人力与设备成本，提升内容制作效率与个性化水平。
Gemini视频生成技术通过多模态对齐与时空建模，结合分层生成与金字塔策略，实现高质量、连贯的文本到视频合成，并支持教育、广告等场景应用。
这里只分析中文结构的提示词。通过对于wan2.1与wan2.2两个版本，可以发现wan2.2的提示词质量更高，能体现I2V与T2V的任务差距。在T2V任务下，wan2.2 PE提示词会要求先输入构图成分，wan2.1则只要求宽泛的信息补充，这体现了。wan2.2在I2V任务下，对于提示词要求更加规范，核心在于主体精确描述，动作细节丰富，弱化对非动态物体的描述、增强对活体的运动属性描述（使得视频的动
视频超分辨率增强：开发了一个高效的几步超分辨率网络，将输出放大到1080p，增强了细节并纠正了失真。3、稀疏注意力优化：引入了一种新的SSTA（选择性滑动块注意力）机制，动态剪枝冗余的时空令牌，显著减少了长视频序列的计算开销并加速了推理。4、增强的多模态理解：框架使用了一个大型多模态模型进行精确的双语（中文-英文）理解，结合了ByT5进行专门的字形编码，以增强视频中文本生成的准确性。5、端到端训练
这是一个基于Coze平台的智能体开发项目，能够根据用户输入的历史人物名称，自动生成该人物的生平视频。项目通过多步骤的AI处理流程，将文字描述转化为生动的视频内容。(本项目中使用的图像生成和视频生成都是Coze平台的付费功能，需要自行充值资源点才能使用)
中科院突破：语义空间技术提升AI视频生成速度十倍
视频生成
——视频生成
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
九章云极普惠算力
火山引擎 ADG 社区
