本研究提出了一种扩展的图像扩散模型，能够联合训练图像和视频数据，生成高保真度的时空视频。通过改进的有条件采样技术，该模型在文本条件视频生成和视频预测方面取得了先进成果，并展示了高分辨率视频生成和动态三维物体的视频生成的有效性和优越性。