标签
MovieGrid是一种多网格后训练范式，它将长视频分解为空间排列的块，以提高多镜头的连贯性和效率，在视频生成中实现了最先进的镜头内和镜头间一致性。
本文介绍了一种结合LLMs和VLMs的智能框架，用于跨多个镜头的一致性多指令视频编辑，并提出了MMLVE任务和基准来评估性能。
UnityShots 是一个基于记忆的多镜头音视频生成系统，通过固定大小的长期记忆槽和短期记忆槽，结合边界条件门控与离散切类型先验，在视频切换中保持主体外观和音频的一致性。该系统在跨镜头一致性指标上优于开源基线，并达到与闭源系统相当的水平。
一个统一的框架，通过网格运动视频和多模态扩散变换器实现相机运动克隆，无需交叉配对数据即可实现导演级别的控制。
京东开源发布了JoyAI-Echo（Echo-LongVideo），这是一个文本到音视频扩散模型，能够生成分钟级的多镜头视频，保持角色身份和声音一致，并利用DMD蒸馏实现了7.5倍的速度提升。
MSAVBench是首个面向多镜头音视频生成的综合基准与自适应评估框架，评估了19个模型在多样化任务上的表现，并与人类判断实现了高度对齐。