IT 之家 3 月 7 日消息，阿裏巴巴研究團隊近日推出了 AtomoVideo 高保真圖生視頻（I2V，Image to Video）框架，旨在從靜态圖像生成高質量的視頻内容，并與各種文生圖（T2I）模型兼容。
▲ 圖源 AtomoVIdeo 團隊論文
IT 之家總結 AtomoVideo 特性如下：
高保真度：生成的視頻與輸入圖像在細節與風格上保持高度一緻性
運動一緻性：視頻動作流暢，确保時間上的一緻性，不會出現突兀的跳轉
視頻幀預測：通過叠代預測後續幀的方式，支持長視頻序列的生成
兼容性：與現有的多種文生圖（T2I）模型兼容
高語義可控性：能夠根據用戶的特定需求生成定制化的視頻内容
▲ 圖源 AtomoVIdeo 團隊論文
AtomoVideo 使用預先訓練好的 T2I 模型爲基礎，在每個空間卷積層和注意力層之後新添加一維時空卷積和注意力模塊，T2I 模型參數固定，隻訓練添加的時空層。由于輸入的串聯圖像信息僅由 VAE 編碼，代表的是低層次信息，有助于增強視頻相對于輸入圖像的保真度。同時，團隊還以 Cross-Attention 的形式注入高級圖像語義，以實現更高的圖像語義可控性。
目前，該團隊隻發布了 AtomoVideo 的論文及演示視頻，并未提供在線體驗地址。同時官方開設了 GitHub 賬戶，但僅用作官方網站托管，并未上傳任何相關代碼。
