本研究提出VideoPanda方法，解决虚拟现实中高分辨率全景视频生成的挑战。该方法通过多视角注意力层增强视频扩散模型，实现基于文本或单视角视频生成一致的多视角视频，生成的360°全景图像更真实连贯。

本研究提出了一种新颖的两阶段图像到视频生成框架，旨在解决视频扩散模型在生成物理可行视频时缺乏物理理解的问题。该框架有效捕捉物理运动，为视频生成领域带来新视角和改进。

本研究提出了一种视频扩散模型，解决了3D重建与生成之间的条件缺口，提升了生成模型的训练效果，并验证了其在稀疏视图和遮挡输入下的视图合成有效性。

本研究提出了多视角视频扩散模型SV4D 2.0，旨在解决动态3D资产生成中的时空一致性问题。通过改进网络架构和训练策略，SV4D 2.0在遮挡和大运动情况下表现更为稳健，显著提升了视频的细节清晰度和时空一致性。

本研究提出了一种新方法Zero-1-to-A，旨在解决动画头像生成中的数据量过大问题。通过视频扩散模型构建一致性数据集，实现4D头像重建，优化头像质量。实验结果表明，该方法在真实感、动画质量和渲染速度上优于现有技术。

本研究提出了一种可扩展的开源视频基础模型（VFM）训练流程，旨在解决大规模、高质量视频模型训练中的挑战。该流程加速了视频数据集的策划，支持多模态数据加载，并实现了视频扩散模型的并行训练和推理，显著提升了训练效率和推理性能。

复旦大学团队在《ACM Computing Surveys》上发表了一篇关于视频扩散模型的综述，涵盖300多篇文献，探讨了视频生成、编辑与理解的研究进展与挑战，并提出了未来的研究方向，如数据集构建、物理真实性和长视频生成等。

多伦多大学、Snap和UCLA团队推出的Wonderland模型能够从单张图像生成高质量的3D场景，并控制摄像轨迹。该技术结合了视频扩散模型和3D重建模型，显著提升了生成效率和视觉质量，适用于建筑设计和虚拟现实等领域。

本研究提出了一种新的视频扩散模型压缩方法，通过去除冗余浅层区块，提升推理速度，同时保持生成视频的质量和一致性。实验结果表明，该方法显著加快了文本和图像生成视频的推理时间。

本研究提出了一种新方法，通过潜在物理现象知识训练视频扩散模型，解决了现有模型在捕捉物理知识方面的不足，展现出显著的实际应用潜力。

该研究提出了一种名为DreamVideo的视频扩散模型，能够生成个性化视频。通过运动定制框架，结合时序信息和高分辨率数据，显著提升了视频生成的质量和控制能力。实验结果表明，该方法在多个数据集上表现优异，解决了传统方法在动态概念组合和运动生成上的不足。

本研究提出了一种名为视频指南的新框架，旨在解决文本到视频生成中的时序一致性问题。该方法利用预训练的视频扩散模型作为引导，显著提高了视频生成的时序质量和图像保真度，具有良好的成本效益和应用潜力。

本文介绍了多种3D生成方法，如DreamCraft3D、StereoDiffusion和DepthCrafter，利用深度估计和视频扩散模型生成高质量的3D对象和立体视频。这些方法克服了现有技术在一致性和细节上的不足，展现出强大的生成能力和广泛的应用潜力。

本研究提出了一种新的视频扩散模型，通过单眼深度估计控制视频的结构和内容保真度，实现高分辨率的文本到视频生成。用户可以独立指定对象运动和相机移动，提升视频质量和一致性。实验结果表明，该方法在视频深度估计和多目标合成方面表现优越，具有广泛的应用潜力。

该研究扩展了视频扩散模型，利用语义解剖信息生成超声心动图视频，提升了合成视频的真实感和连贯性。提出的去噪扩散概率模型（DDPMs）在医学影像分析中表现优异，Dice分数显著提高。HeartBeat框架实现了高保真度的超声视频合成，适用于多种医学成像任务。同时，研究建立了CardiacUDA数据集，改进了心脏结构分割效果。

本文提出了一种名为CamTrol的方法，实现了对视频扩散模型的摄像机运动控制，无需训练或微调。该方法通过重排噪点像素生成可控摄像机运动的视频，表现出色，具有鲁棒性和高质量的生成效果。实验结果显示，CamTrol在动态内容生成和三维旋转视频方面表现优异。

该研究探讨了基于视频扩散模型的3D生成技术，提出了Vid3D和Stable Video 3D模型，能够高效生成高质量的动态3D场景。通过多视图扩散模型和4D生成管道，优化了空间时间一致性，提升了生成效果，特别在个性化3D生成和动态视频创作中表现出色。