VideoControlNet: A Motion-Guided Video-to-Video Translation Framework by Using Diffusion Model with ControlNet
Beihang University(北京航空航天大学);University of Hong Kong(香港大学)
提出运动引导的视频到视频转换框架 VideoControlNet,利用带 ControlNet 的扩散模型生成首帧,并通过 MgPG 和 MgBI 模块结合运动信息生成关键帧与插值帧,实现了连续一致的视频生成。
2023-08-03 cs.CV
Do View-Consistent Representations Matter for Camera-Controlled Video Generation?
University of Edinburgh(爱丁堡大学);University of Bristol(布里斯托大学)
ViCoDR通过学习多视图一致的扩散表示,提升视频生成的3D一致性,适用于图像到视频、文本到视频和多视图生成任务。
2026-10-27 cs.CV
Brick-Diffusion: Generating Long Videos with Brick-to-Wall Denoising
School of Data Science Fudan University(复旦大学数据科学学院);Noah’s Ark Lab Huawei(华为诺亚方舟实验室)
针对免训练长视频生成中动态不足与保真度下降问题,本文提出 Brick-Diffusion,通过带步幅的砖到墙分段去噪增强帧间通信,并在评估中优于现有基线。
2025-01-06 cs.CV
Divot: Diffusion Powers Video Tokenizer for Comprehension and Generation
ARC Lab, Tencent PCG(腾讯平台与内容事业群ARC实验室)
针对将图像理解与生成的LLM统一扩展到视频的核心挑战,提出扩散模型驱动的视频Tokenizer Divot,结合预训练LLM形成Divot-Vicuna,在视频理解、生成及storytelling基准上取得有竞争力性能。
2024-12-05 cs.CV
MoAlign: Motion-Centric Representation Alignment for Video Diffusion Models
University of Amsterdam(阿姆斯特丹大学);Qualcomm AI Research(高通AI研究)
针对文本到视频扩散模型运动生成不合理的问题,提出MoAlign框架,从预训练视频编码器学习解耦运动子空间并对齐扩散模型潜特征,提升生成视频的物理合理性且保留文本遵循度。
2025-10-21 cs.CV
Dreamix: Video Diffusion Models are General Video Editors
Google Research(谷歌研究院);The Hebrew University of Jerusalem(希伯来大学)
文本驱动的图像和视频扩散模型最近取得了前所未有的一代现实主义。虽然扩散模型已成功应用于图像编辑,但很少有作品将其应用于视频编辑。我们提出了第一个基于扩散的方法,能够执行基于文本的运动和外观编辑的一般视频。我们的方法使用视频扩散模型相结合,在推理时间,低分辨率的时空信息从原始视频与新的,高分辨率的信息,它合成对齐的指导文本提示。由于获得原始视频的高保真度需要保留其一些高分辨率信息,因此我们添加了一个对原始视频进行微调的初步阶段,从而显着提高保真度。我们建议通过一个新的混合目标来提高运动的可编辑性,该目标与全时间注意力和时间注意力掩蔽相结合。我们进一步介绍了一个新的框架,图像动画。我们首先通过简单的图像处理操作,如复制和透视几何投影,将图像转换成一个粗略的视频,然后使用我们的通用视频编辑器来动画它。作为进一步的应用,我们可以使用我们的方法为主题驱动的视频生成。大量的定性和数值实验展示了显着的编辑能力,我们的方法,并建立其优越的性能相比,基线方法。
2023-02-02 cs.CV
InstantViR: Real-Time Video Inverse Problem Solver with Distilled Diffusion Prior
Peking University(北京大学);Huaqiao University(华侨大学);Kuaishou Technology(快手科技)
InstantViR通过蒸馏扩散先验实现高效实时视频重建,以35 FPS速度在NVIDIA A100 GPU上达到与基线相当的重建质量。
2026-10-14 cs.CV
S2PD: Serial-to-Parallel Diffusion for Physically and Logically Consistent Video Generation
University of Cambridge(剑桥大学);Toyota Motor Europe(丰田汽车欧洲公司)
S2PD结合高噪声自回归与低噪声并行扩散,在游戏、物理模拟和真实视频中比双向基线更可靠地遵循规则,并提升时间稳定性与采样效率。
2026-10-06 cs.CV
ViFeEdit: A Video-Free Tuner of Your Video Diffusion Transformer
National University of Singapore(新加坡国立大学);Shanghai Jiao Tong University(上海交通大学)
本文提出ViFeEdit框架,通过2D图像实现视频生成与编辑,无需视频训练数据,采用架构重参数化解耦空间独立性与全3D注意力,实现高质量视频编辑与生成。
2026-03-16 cs.CV
Video Diffusion Models are Strong Video Inpainter
Yonsei University(延世大学)
针对基于光流传播的视频修复存在噪声累积和时间不一致问题,提出首帧填充视频扩散修复模型(FFF-VDI),利用预训练图像到视频扩散模型,通过传播噪声潜在信息并微调生成自然且时间一致的修复视频,首次有效集成该模型到视频修复中。
2024-12-14 cs.CV
Exploring Iterative Refinement with Diffusion Models for Video Grounding
Tsinghua University(清华大学)
本文提出DiffusionVG框架,将视频定位视为条件生成任务,利用扩散模型从高斯噪声迭代细化目标跨度,在多个基准上取得优于现有方法的性能。
2023-12-29 cs.CV
Sequence-Adaptive Video Prediction in Continuous Streams using Diffusion Noise Optimization
University of Bonn(波恩大学);Toyota Motor Europe(丰田欧洲公司);University of Wuerzburg(乌尔姆大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔人工智能与机器学习研究所)
本文提出了一种基于扩散噪声优化的连续流序列适应视频预测方法,通过在推理过程中细化扩散噪声以提升视频预测性能。
2025-11-26 cs.CV
OS-DiffVSR: Towards One-step Latent Diffusion Model for High-detailed Real-world Video Super-Resolution
Huawei Noah’s Ark Lab(华为诺亚实验室)
针对基于扩散的视频超分辨率(VSR)方法中质量与推理效率的权衡问题,提出单步潜在扩散模型OS-DiffVSR,通过相邻帧对抗训练提升视频质量、多帧融合维持时间一致性,实验表明其质量优于需数十次采样步骤的现有方法。
2025-09-20 cs.CV
VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation
University of Chinese Academy of Sciences (UCAS)(中国科学院大学);Alibaba Group(阿里巴巴集团);Center for Research on Intelligent Perception and Computing (CRIPAC)(智能感知与计算研究中心);Institute of Automation, Chinese Academy of Sciences (CASIA)(中国科学院自动化研究所);Ant Group(蚂蚁集团);Nanjing University(南京大学)
针对视频生成中标准扩散过程忽略帧间相关性的问题,提出分解扩散模型VideoFusion,将噪声分为共享基础噪声和时变残差噪声,用双网络去噪,超越GAN和扩散方法,并支持文本条件生成。
2023-10-13 cs.CV
Video ControlNet: Towards Temporally Consistent Synthetic-to-Real Video Translation Using Conditional Image Diffusion Models
本文提出Video ControlNet,利用现成条件图像扩散模型和光流信息,通过联合噪声优化实现无需训练或微调的时间一致合成到真实视频转换,在多个基准上优于基线方法。
2023-05-30 cs.CV
Dual-Stream Diffusion Net for Text-to-Video Generation
Nanjing University of Science and Technology(南京理工大学);SeetaCloud;Nankai University(南开大学)
针对文本生成视频易出现闪烁和伪影的瓶颈,提出双流扩散网络(DSDN),通过内容与运动分支及交叉transformer交互模块提升内容变化一致性,生成更平滑连续的视频。
2023-12-30 cs.CV
MeDM: Mediating Image Diffusion Models for Video-to-Video Translation with Temporal Correspondence Guidance
Academia Sinica(中央研究院)
MeDM利用预训练图像扩散模型和光流编码实现视频到视频翻译,通过闭式优化保持时间一致性,无需微调,实验验证其优越性。
2023-12-20 cs.CV
LaMD: Latent Motion Diffusion for Image-Conditional Video Generation
School of Remote Sensing and Information Engineering, Wuhan University(武汉大学遥感信息工程学院);Microsoft Research Asia(微软亚洲研究院)
针对图像条件视频生成中运动连贯性与采样效率的问题,提出LaMD框架,通过运动分解视频自动编码器压缩运动表示,结合扩散运动生成器高效生成真实运动,在多数据集上实现高质量视频生成并缩短采样时间。
2025-04-18 cs.CV
Ouroboros-Diffusion: Exploring Consistent Content Generation in Tuning-free Long Video Diffusion
针对免调优长视频扩散的长程一致性难题,提出Ouroboros-Diffusion框架,通过尾部潜在采样、主体感知跨帧注意力和自循环引导提升一致性,在VBench基准上表现优于现有方法。
2025-01-15 cs.CV
DiffusionAtlas: High-Fidelity Consistent Diffusion Video Editing
Academia Sinica(中央研究院);National Tsing Hua University(国立清华大学)
提出 DiffusionAtlas 框架,通过在扩散图集上直接编辑并结合图集约束损失与像素级扩散引导,实现高保真且帧间一致的视频对象外观编辑。
2023-12-05 cs.CV
StableVideo: Text-driven Consistency-aware Diffusion Video Editing
Microsoft Research Asia(微软亚洲研究院);Zhejiang University(浙江大学)
针对扩散模型编辑视频时对象外观时序不一致的问题,本文提出帧间传播机制并构建文本驱动框架 StableVideo,显著提升了视频编辑的一致性与效果。
2023-08-18 cs.CV
FluidNexus: 3D Fluid Reconstruction and Prediction from a Single Video
Stanford University(斯坦福大学);Microsoft(微软公司);Georgia Institute of Technology(佐治亚理工学院)
FluidNexus提出从单视频重建和预测3D流体的框架,通过合成新视角视频并结合物理模拟与粒子表示,实现动态新视角、未来预测和交互模拟。
2025-07-09 cs.CV
TokenFlow: Consistent Diffusion Features for Consistent Video Editing
Weizmann Institute of Science(魏茨曼科学研究院)
提出TokenFlow框架,利用文本到图像扩散模型进行文本驱动视频编辑,通过在扩散特征空间中显式传播帧间特征实现视频一致性,无需训练或微调。
2023-11-20 cs.CV
DreamPose: Fashion Image-to-Video Synthesis via Stable Diffusion
University of Washington(华盛顿大学);UC Berkeley(加州大学伯克利分校);Google Research(谷歌研究院);NVIDIA(英伟达)
我们提出了DreamPose,一种基于扩散的方法,用于从静态图像生成动画时尚视频。给定图像和人体姿势序列,我们的方法合成包含人体和织物运动的视频。为了实现这一目标,我们将预训练的文本到图像模型(稳定扩散)转换为姿势和图像引导的视频合成模型,使用一种新的微调策略,一组架构变化来支持添加的调节信号,以及鼓励时间一致性的技术。我们对来自UBC Fashion数据集的一系列时尚视频进行了微调。我们在各种服装风格和姿势上评估了我们的方法,并证明我们的方法在时尚视频动画上产生了最先进的结果。视频结果可在我们的项目页面上找到。
2023-10-30 cs.CV
Vivid4D: Improving 4D Reconstruction from Monocular Video by Video Inpainting
Zhejiang University(浙江大学);ByteDance(字节跳动)
针对单目视频4D重建的视角限制问题,Vivid4D结合几何与生成先验,将视角增强转化为视频修复任务,通过单目深度先验变形视角并训练修复模型,有效提升4D场景重建效果。
2025-04-18 cs.CV
EffiVED:Efficient Video Editing via Text-instruction Diffusion Models
Alibaba Group(阿里巴巴集团)
本文提出基于扩散模型的高效视频编辑模型EffiVED,通过两种工作流收集数据构建高质量训练集,实现无需逐视频微调的指令引导视频编辑,在保证高质量的同时实现快速执行。
2024-06-05 cs.CV
TLB-VFI: Temporal-Aware Latent Brownian Bridge Diffusion for Video Frame Interpolation
Center for Research in Computer Vision, University of Central Florida(计算机视觉研究中心,中央佛罗里达大学)
本文提出TLB-VFI,一种高效的时间感知潜在布朗桥扩散视频帧插值模型,通过3D小波门控与时间感知自编码器提取时间信息,结合光流引导,在显著降低参数量、训练数据和推理时间的同时提升插值性能。
2025-07-07 cs.CV
OmniVDiff: Omni Controllable Video Diffusion for Generation and Understanding
本文提出OmniVDiff全可控视频扩散框架,通过色彩空间联合分布学习与自适应控制策略,实现文本条件生成、视频理解及细粒度条件生成三大能力,在生成与理解任务中表现优异且适用于多下游场景。
2025-11-16 cs.CV
VIDM: Video Implicit Diffusion Models
Johns Hopkins University(约翰斯·霍普金斯大学)
扩散模型已经成为合成高质量和多样化图像集的强大生成方法。本文提出了一种基于扩散模型的视频生成方法,其中运动的影响以隐式条件方式建模,即可以根据帧的潜在特征对合理的视频运动进行采样。我们提出了多个策略,如采样空间截断,鲁棒性惩罚,和位置组规范化,以提高所生成的视频的质量。在由不同分辨率和不同帧数的视频组成的数据集上进行了各种实验。结果表明,该方法优于国家的最先进的生成对抗网络为基础的方法的FVD分数以及可感知的视觉质量方面的显着保证金。
2022-12-01 cs.CV
LVMark: Robust Watermark for Latent Video Diffusion Models
Department of Artificial Intelligence, Korea University, Seoul 02841, Republic of Korea(人工智能系,韩国大学,首尔02841,大韩民国);Google DeepMind, Mountain View, CA 94043, USA(谷歌DeepMind,山景城,加利福尼亚州94043,美国)
针对视频扩散模型现有水印方法的局限,提出LVMark方法,通过学习相邻帧一致性设计新颖水印解码器,结合小波域低频分量与视频颜色特征确保解码准确,训练潜在解码器保持视觉保真,平衡视觉质量与比特精度,实现高容量鲁棒水印嵌入。
2026-07-15 cs.CV
DiTPainter: Efficient Video Inpainting with Diffusion Transformers
ByteDance(字节跳动)
针对现有视频修复算法易模糊不一致、预训练DiT模型参数量大耗时久的问题,提出从头训练的高效DiT端到端视频修复模型DiTPainter,可处理任意长度视频,在质量和时空一致性上优于现有算法。
2025-05-19 cs.CV
Moaw: Unleashing Motion Awareness for Video Diffusion Models
Tsinghua University(清华大学);Beihang University(北航)
Moaw通过训练视频扩散模型进行运动感知,实现零样本运动迁移,推动生成建模与运动理解的结合。
2026-01-19 cs.CV
SOYO: A Tuning-Free Approach for Video Style Morphing via Style-Adaptive Interpolation in Diffusion Models
Zhejiang University(浙江大学);University of Electronic Science and Technology of China(电子科技大学)
SOYO提出一种免调优的扩散模型视频风格渐变框架,通过注意力注入、AdaIN及自适应采样调度器解决多风格过渡中的结构不连续与风格突变问题,实现平滑稳定的视频风格渐变。
2025-03-10 cs.CV
Omni-Video 2: Scaling MLLM-Conditioned Diffusion for Unified Video Generation and Editing
本文提出Omni-Video 2,通过连接预训练多模态大语言模型与视频扩散模型,实现视频生成与编辑的统一。核心方法是利用MLLM生成明确的目标描述以指导生成过程,并通过轻量适配器高效注入多模态条件token,提升复杂编辑任务性能。
2026-03-13 cs.CV
Adapting Image-to-Video Diffusion Models for Large-Motion Frame Interpolation
Waseda University(早稻田大学)
针对视频帧插值问题,提出条件编码器适配图像转视频扩散模型,集成双分支特征提取器与跨帧注意力机制捕捉时空信息,在FVD指标上优于现有方法,尤其提升大运动场景插值性能。
2025-02-17 cs.CV
Multi-scale 2D Temporal Map Diffusion Models for Natural Language Video Localization
Nanyang Technological University(南洋理工大学);ByteDance(字节跳动);SenseTime(商汤科技)
针对自然语言视频定位缺乏全局时序建模的问题,本文提出通过条件去噪扩散过程直接生成全局二维时序图,并引入多尺度技术与创新扩散解码器解决稀疏性和不连续性,在Charades和DiDeMo数据集上验证了有效性。
2024-01-16 cs.CV
Accelerating Video Diffusion Models via Distribution Matching
Nanjing University(南京大学)
针对视频扩散模型采样步数多、计算成本高的问题,提出结合视频GAN损失与新型2D分数分布匹配损失的蒸馏框架,以AnimateDiff为教师模型,仅4步采样即可实现更优的视频生成效果。
2024-12-08 cs.CV
AR-Diffusion: Asynchronous Video Generation with Auto-Regressive Diffusion
Bytedance Inc.(字节跳动公司)
本文提出AR-Diffusion模型,将自回归生成与扩散模型结合,通过非递减时间步约束和专门调度器实现灵活、异步且时间连贯的视频生成,在多个基准上取得领先效果。
2025-03-10 cs.CV
ReVision: Refining Video Diffusion with Explicit 3D Motion Modeling
Johns Hopkins University(约翰霍普金斯大学)
ReVision通过整合参数化的3D运动模型,提升视频生成中复杂动作和交互的真实性和可控性。
2026-01-08 cs.CV
Upscale-A-Video: Temporal-Consistent Diffusion Model for Real-World Video Super-Resolution
Nanyang Technological University(南洋理工大学)
本文提出文本引导潜空间扩散框架 Upscale-A-Video,通过局部时间层与全局无训练流引导循环潜变量传播提升视频超分的时间一致性,并在多类基准上优于现有方法。
2023-12-11 cs.CV
NeRV-Diffusion: Diffuse Implicit Neural Representations for Video Synthesis
University of Maryland, College Park(马里兰大学学院 park)
本文提出 NeRV-Diffusion,将视频整体表示并生成为 INR 网络权重,通过超网络 tokenizer 与隐式扩散 Transformer 实现高质量、高效的视频合成及平滑插值。
2025-09-29 cs.CV
360DVD: Controllable Panorama Video Generation with 360-Degree Video Diffusion Model
School of Electronic and Computer Engineering, Peking University(北京大学电子与计算机工程学院);Peking University Shenzhen Graduate School(北京大学深圳研究生院)
针对360度全景视频采集昂贵且通用T2V模型难以适配的问题,本文提出360DVD流程,利用轻量级360-Adapter和增强技术改造预训练模型,并构建WEB360数据集实现可控全景视频生成。
2024-05-10 cs.CV
Noise Crystallization and Liquid Noise: Zero-shot Video Generation using Image Diffusion Models
Imperial College London(伦敦帝国学院)
针对扩散模型生成一致可控视频难度大、成本高的问题,本文提出噪声结晶与液体噪声两种零样本方法,修改图像扩散模型的输入噪声生成视频,还拓展了相关应用并得出VAE嵌入的理论见解。
2024-10-05 cs.CV
Mitty: Diffusion-based Human-to-Robot Video Generation
Show Lab, National University of Singapore(新加坡国立大学Show实验室)
Mitty通过基于扩散的变换器实现端到端的人机视频生成,利用预训练模型和双向注意力机制,无需动作标签或中间抽象,生成高质量的机器人执行视频。
2025-12-19 cs.CV
Vivid-ZOO: Multi-View Video Generation with Diffusion Model
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出Vivid-ZOO扩散流程,通过分解视角与时间并复用、对齐预训练多视角图像及2D视频扩散模型,实现文本驱动的高质量动态3D对象多视角视频生成,并贡献带字幕数据集。
2024-06-12 cs.CV
MagicMirror: ID-Preserved Video Generation in Video Diffusion Transformers
CUHK(香港中文大学);HKUST(香港科技大学);CMU(卡内基梅隆大学);SmartMore(思谋科技)
MagicMirror通过双分支特征提取器和两阶段训练策略,在视频扩散变换器中实现高质量身份保留视频生成,优于现有方法。
2025-11-22 cs.CV
FlowLoss: Dynamic Flow-Conditioned Loss Strategy for Video Diffusion Models
Science Tokyo(科学东京);Mitsubishi Electric(三菱电机)
FlowLoss通过直接比较生成与真实视频的光流场,并采用噪声感知加权方案,在机器人视频数据集上提升了运动稳定性并加速了早期训练收敛。
2025-04-20 cs.CV
AICL: Action In-Context Learning for Video Diffusion Model
本文提出AICL,通过上下文学习赋予视频扩散模型理解参考视频动作信息的能力,有效解决了开放域罕见动作生成问题并实现了最优性能。
2024-08-23 cs.CV
STeP: A Framework for Solving Scientific Video Inverse Problems with Spatiotemporal Diffusion Priors
California Institute of Technology(加利福尼亚理工学院);OpenAI
本文提出STeP即插即用框架,通过学习时空扩散先验从稀疏时变测量中重建科学视频,并在黑洞视频与动态MRI任务上显著提升时空结构恢复效果。
2025-06-10 cs.CV
FloVD: Optical Flow Meets Video Diffusion Model for Enhanced Camera-Controlled Video Synthesis
POSTECH(浦项科技大学);Microsoft Research Asia(微软亚洲研究院)
FloVD提出利用光流表示相机与物体运动,实现无需相机参数的详细相机控制,并通过两阶段流程(光流生成与流条件视频合成)在精确控制下生成自然物体运动。
2025-03-25 cs.CV
Customize-A-Video: One-Shot Motion Customization of Text-to-Video Diffusion Models
University of Maryland, College Park(马里兰大学帕克分校);Adobe Research(奥多比研究院);Yonsei University(延世大学)
针对单样本视频运动定制问题,提出Customize-A-Video框架,利用时间注意力层的LoRA建模参考视频运动,并通过外观吸收器解耦时空信息,实现即插即用的定制视频生成与编辑。
2024-08-28 cs.CV
Fashion-VDM: Video Diffusion Model for Virtual Try-On
Google Research(谷歌研究院);University of Washington(华盛顿大学)
提出Fashion-VDM视频扩散模型,通过分裂式无分类器引导和渐进时间训练,生成保留身份与动作的高质量虚拟试穿视频,实现新最先进水平。
2024-11-04 cs.CV
Hybrid Video Diffusion Models with 2D Triplane and 3D Wavelet Representation
VIVE STUDIOS(VIVE工作室);UNIST(蔚山国家科学技术研究院);Korea University(高丽大学)
针对现有视频扩散方法难以充分建模时空信息的问题,本文提出HVDM,利用融合2D投影潜在、3D小波卷积和频率信息的混合自编码器,在多个基准上实现SOTA生成质量。
2024-04-03 cs.CV
MagicVideo: Efficient Video Generation With Latent Diffusion Models
ByteDance Inc.(字节跳动公司)
MagicVideo提出基于潜在扩散模型的高效文本到视频生成框架,通过3D U-Net和低维空间建模,大幅降低计算成本,并生成高质量视频。
2023-05-11 cs.CV