本研究提出了一种自监督方法，能够从无姿势的互联网照片生成3D一致性视频。该方法利用视频一致性和多视角照片的可变性，训练可扩展的3D感知视频模型，无需3D注释。实验结果表明，该方法在几何和外观一致性方面优于现有基线，适用于需要摄像机控制的应用。

该论文提出了一种新的视频物体分割方法，结合运动、外观和时间一致性，通过深度学习实现准确的分割与跟踪。研究表明，该模型在多个基准测试中表现优异，尤其在多物体分割上优于现有方法。

MotionCrafter是一种新型的动作定制方法，通过并行时空架构注入参考动作，增强动作与外观的解耦。研究提出个性化的姿态估计器，显著提升视频中的姿态标注精度，并在视频合成中处理异常数据，保持外观一致性，表现优于现有技术。