Sora是一個基於大規模訓練的文本控制視頻生成擴散模型。它能夠生成長達1分鐘的高清視頻,涵蓋廣泛的視覺數據類型和分辨率。Sora通過在視頻和圖像的壓縮潛在空間中訓練,將其分解為時空位置補丁,實現了可擴展的視頻生成。Sora還展現出一些模擬物理世界和數字世界的能力,如三維一致性和交互,揭示了繼續擴大視頻生成模型規模來發展高能力模擬器的前景。

Animate Anyone旨在通過驅動信號從靜態圖像生成角色視頻。我們利用擴散模型的力量，提出了一個專為角色動畫量身定製的新框架。為了保持參考圖像中複雜外觀特徵的一致性，我們設計了ReferenceNet來通過空間注意力合併詳細特徵。為了確保可控性和連續性，我們引入了一個高效的姿勢指導器來指導角色的動作，並採用了一種有效的時間建模方法，以確保視頻幀之間的平滑跨幀過渡。通過擴展訓練數據，我們的方法可以為任意角色製作動畫，與其他圖像到視頻方法相比，在角色動畫方面取得了出色的結果。此外，我們在時尚視頻和人類舞蹈合成的基準上評估了我們的方法，取得了最先進的結果。