本文提出了一个简单的多模式时空数据建模框架，通过设计一个跨模式空间关系学习组件来自适应地建立多个模式之间的连接，并使用多层感知机来捕捉时态依赖和通道相关性。实验证明该模型在三个真实数据集上始终优于基准模型，具有更低的空间和时间复杂度，为时空数据建模开辟了一种有前景的方向，同时也验证了跨模式空间关系学习模块的一般化能力。

通过引入时态依赖于现有的文本驱动扩散模型，解决了扩散模型在自然视频编辑中编辑现有对象时难以保持其外观随时间稳定的问题。通过开发一种新颖的帧间传播机制，构建了一个名为 StableVideo 的文本驱动视频编辑框架，可以实现一致感知的视频编辑。实验证明了该方法的强大编辑能力。与最先进的视频编辑方法相比，该方法展示了卓越的定性和定量结果。