BlobGEN-Vid：基于 Blob 视频表示的组合文本到视频生成

本研究解决了现有视频生成模型在复杂文本提示下难以合成多个对象的问题，提出了通过 blob 视频表示分解视频的创新方法。研究表明，BlobGEN-Vid 提供了出色的零-shot 视频生成能力和先进的布局可控性，具有显著的潜在影响，尤其是在与大语言模型相结合时超越了专有文本到视频生成器的组合准确性。