本文介绍了一种名为CustomVideo的新型框架，可以生成多个主题引导下的保持身份特征的视频。通过将多个主题组合于单个图像中，促进多主题同时出现；设计了一种简单而有效的注意力控制策略，解开不同主题；从给定的参考图像中分割对象，并为注意力学习提供相应的对象蒙版。收集了一个多主题文本到视频生成数据集作为基准，证明了该方法的优越性。