本研究提出了一种名为\(\projectname\)的零训练视频优化管道，通过神经符号反馈改善文本到视频生成模型在处理复杂提示时的语义和时间一致性问题。实验结果显示，视频与提示的对齐精度提升近40%。

本研究提出了针对文本到视频生成模型的后门攻击框架BadVideo，利用空间-时间组合和动态元素转化策略，攻击者可以隐秘地将恶意信息嵌入生成的视频中，从而威胁内容审核系统的安全。

本研究提出了一种基于扩散轨迹交集的无模型、零样本、免训练的文本到视频生成方法。该方法通过一致的帧内容生成和控制帧转换时机，显著提升了视频生成的时间一致性和视觉逼真度，实证分析显示用户满意度和量化指标均优于现有方法。

本研究提出MagicComp，一种无需训练的双阶段细化方法，旨在改善文本到视频生成中的属性绑定、空间关系和复杂动作交互问题。实验结果表明，MagicComp在多个基准测试中超越现有方法，展示了其在复杂提示和轨迹可控视频生成中的潜力。

本研究提出了VidCapBench，一种专为可控文本到视频生成（T2V）设计的视频字幕评估方案。该方案结合专业模型标记与人工修正，评估视频的美学、内容、运动和物理法则等关键信息。研究表明，VidCapBench在稳定性和全面性上优于现有方法，有助于指导T2V模型的训练。

本研究提出了一种迭代偏好优化（IPO）方法，旨在提升文本到视频生成模型的质量。通过引入批评模型，IPO利用人类偏好反馈优化视频的一致性、运动平滑性和美观性，在VBench基准测试中取得了新性能标准。

本研究提出了一种新颖的提示适应框架Prompt-A-Video，旨在优化文本到视频生成模型的输出质量。该框架基于大型语言模型，通过双阶段的优化和对齐系统，显著提升视频生成的效率和质量，并验证了其在多种生成模型中的有效性。

本研究探讨了文本到视频生成模型在动态对象交互中的不足，并提出通过外部反馈提升对象运动真实性的方法。实验结果表明，利用视觉语言模型提供的细致反馈显著改善了复杂对象交互的视频质量，尤其是使用AI反馈的奖励信号，提高了生成结果的人类感知质量。

本研究提出了一种无调优的控制模型ConsisID，通过频率分解实现身份保留的文本到视频生成（IPT2V），显著提升了生成视频的质量和身份一致性，为该领域提供了新的解决方案。

近年来，深度生成模型在视频生成领域面临挑战。研究提出Fréchet Video Distance作为新评估指标，并开发VBench系统，提供全面的视频生成评估基准。通过TVGE数据集和T2VScore，评估文本到视频生成的质量，探索现有指标的局限性，并提出新的评估方法以改进视频生成模型的性能。

该研究介绍了多种文本到视频生成的方法，如Make-A-Video、Gen-L-Video和I2VGen-XL，旨在提升视频生成的质量和效率。这些技术通过改进模型结构和训练方法，能够生成高分辨率、时空连贯的视频，并在多个评估中表现优异，超越现有商业解决方案。

该研究介绍了多个文本到视频生成模型，如CogVideo、VideoGen和ART·V，利用扩散模型和多帧率训练策略，提高视频生成的质量和一致性。这些模型在高分辨率视频生成和多文本条件支持方面表现优异，推动了视频生成技术的发展。

为降低大规模视觉模型（LVMs）带来的有害输出风险，研究者推出了SafeSora数据集，以促进文本到视频生成与人类价值观的对齐。该数据集支持文本-视频审查模型和对齐算法的开发。同时，研究还探讨了文本到图像生成系统的安全性，发现现有防御措施不足，呼吁加强隐性提示的研究与防范。

本文介绍了动态场景管理器（Dysen）模块，提升文本到视频生成（T2V）的质量。研究评估了现有评估指标的局限性，提出了新的评估方法T2VScore，并创建了TVGE数据集。同时，介绍了T2VHE协议和FETV基准，以优化评估过程。最后，提出了Text-Animator方法，改善视觉文本生成的稳定性，推动开源视频生成模型的发展。

该研究提出了一种在零镜头环境中检测虚构的框架，准确度达到0.78，并介绍了多模态幻觉检测数据集M-HalDetect。研究利用新方法减少幻觉率，推动文本到视频生成技术的发展，并提出了针对视觉幻觉的新型检测系统，显著改善了识别效果。

本文探讨了文本到视频生成技术及Sora模型的发展，重点介绍了其在自动驾驶中的应用、面临的挑战和未来方向。Sora模型通过多模态学习提升自动驾驶的安全性和效率，同时提及GAIA-1和WorldDreamer生成模型的重要性，旨在推动该领域的创新与探索。

N'UWA是一种多模态预训练模型，用于生成和调节视觉数据，表现出色。它在文本到图像生成、文本到视频生成和视频预测等任务上取得了最先进的结果。此外，N'UWA还展示了在文本引导的图像和视频操作任务上的惊人零成本能力。

本文提出了用于评估文本到视频生成的基准FETV，并对四个T2V模型进行了手动评估。研究发现自动评估指标与人工评估相关性较差，提出了两个新的自动评估指标与人工评估相关性更高。

本文介绍了一种无需训练的文本到视频生成方法，利用现有的文本到图像生成方法生成逼真的动态视频。该方法将运动表示明确地分为条件引导和场景运动组成，并引入了稀疏双向时空注意力来改善时序一致性。与其他方法相比，该方法在帧一致性、剪辑评分和条件精度方面表现出卓越性能。

APLA是一种基于扩散模型的文本到视频生成网络结构，通过引入视频生成变换器VGT来提取扰动，改善视频帧之间的一致性。实验证明，生成的视频在一致性方面有明显的改进。