面向对象的运动：文本驱动的图像到视频生成的 TIV-Diffusion

本研究解决了文本驱动的图像到视频生成（TI2V）中的两个主要挑战：如何识别目标对象并确保运动轨迹与文本描述之间的一致性，以及如何提高生成视频的主观质量。通过提出基于扩散的新框架 TIV-Diffusion，采用对象中心的文本-视觉对齐，我们实现了对文本描述的运动进行精确控制，显著提升了视频生成的质量，达到业界领先水平。