CogVideoX：基于文本的扩散模型与专家变换器
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了生成文本提示视频时的对齐和质量问题。提出的CogVideoX模型结合了3D变分自编码器和专家变换器，显著提升了视频生成的连贯性和表现力。实验结果表明，该模型在多项机器评测和人工评估中均表现出色，具有广泛的应用潜力。
ART·V是一个高效的自回归视频生成框架，使用扩散模型逐帧生成视频，并通过简化连续帧之间的运动来避免建模复杂的远程运动，同时保留预训练图像扩散模型的高保真生成能力。通过结合文本、图像等多种提示，ART·V可以生成任意长度的视频，具有高度的多功能性和灵活性。通过引入掩蔽扩散模型和使用初始帧作为条件，ART·V进一步提升了生成一致性和生成的视觉质量，能够在短时间内生成带有自然运动、丰富细节和高美感的视频，并支持多个文本提示组合成长视频的应用。
