出品人：Towhee 技术团队 张晨、顾梦佳
以文本 - 图片生成模型的胜利为灵感，近来文本 - 视频生成模型也开始采纳大规模的文本 - 视频数据集进行微调训练。然而解决大规模视频数据的老本十分高，为此 Tune-A-Video 提出一种新的任务模型 One-Shot Video Generation，即仅应用单个文本 - 视频对训练通用畛域的文本 - 视频生成器。Tune-A-Video 多功能性和有效性，可能在各种利用中生成领有时序性的视频，例如主题或背景的变动、属性编辑、格调转换。
High-level overview of Tune-A-Video.
Tune-A-Video 利用大量数据预训练的文本 - 图像扩散模型，改良之后实现文本 - 视频生成。它有两个重要的发现：文本 - 图像模型可能依据动词形容生成良好的图像；而拓展文本图像模型以同时生成多个图像，则体现出令人诧异的内容一致性。为了进一步学习间断静止，Tune-A-Video 应用了定制的稠密因果注意力。
相干材料：
代码地址：https://github.com/showlab/Tu…
论文链接：Tune-A-Video: One-Shot Tuning of Image Diffusion Models for Text-to-Video Generation