03_视频生成典型模型与架构
请介绍下StableVideoDiffusion的核心架构？以及有哪些创新点？
原题Sora有哪些创新点？
原题Sora在训练时是如何处理输入数据的？
原题Sora是如何对视频数据进行标注的？
原题为什么说Sora等AI视频大模型具备世界模拟器（world simulator）的潜质？
原题Sora模型的整体架构是什么样的？
原题Sora等AI视频大模型的创新与优化经验有哪些？
原题Sora的扩散模型部分架构是什么样的？
原题Sora的Text Encoder模型架构是什么样的？
原题Sora的最新功能有哪些？
原题Sora支持哪几种多模态输入？
原题可灵AI视频大模型的架构是什么样的？
原题可灵AI视频大模型是如何处理训练数据的？
原题介绍一下Wan2.1视频大模型的主要架构
原题介绍一下Wan2.1视频大模型的数据处理策略和训练/推理优化策略
原题Wan2.1视频大模型的Text Encoder模型架构是什么样的？
原题万相首尾帧模型（Wan2.1-FLF2V-14B）架构是什么样的？
原题Wan2.1中的UmT5架构比经典的T5有哪些改进？
原题Wan2.1中3D因果卷积有哪些特别的作用？
原题Wan2.1视频大模型的3D Transformer模型架构是什么样的？
原题Wan2.1视频大模型中的3D RoPE和经典RoPE的异同？
原题介绍一下HunyuanVideo模型的架构
原题HunyuanVideo模型有哪些特点？
原题介绍一下Hunyuan-Video的数据标注策略
原题HunyuanVideo-Avatar的核心创新点有哪些？它们如何解决现有方法的局限性？
原题在HunyuanVideo-Avatar中，字符图像注入模块的三种机制(如图)如何工作？为何选择机制(c)?
原题在HunyuanVideo-Avatar中，Face-Aware-Audio-Adapter如何实现多角色独立音频驱动?
原题在HunyuanVideo-Avatar中，如何解决长视频生成时的抖动问题？具体方法是什么？
原题在HunyuanVideo-Avatar中，如果需要实时生成（如直播场景），如何优化模型?
原题在HunyuanVideo-Avatar中，Audio-Emotion-Module为何选择插入Double-Block而非Single-Block？
原题HunyuanVideo-Avatar在多角色音频驱动动画中是如何实现独立音频注入的？？
原题音频情感模块（AEM）在HunyuanVideo-Avatar中如何工作，以确保音频情感与面部表情的对齐？
原题CogVideoX模型的整体架构是什么样的？
原题CogVideoX-5B和CogVideoX-2B有哪些异同？
原题介绍一下CogVideoX系列模型的VAE结构
原题在CogVideoX系列模型中VAE是如何训练的？
原题CogVideoX的扩散模型部分架构是什么样的？
原题SG-I2V方法如何在预训练的视频扩散模型中实现特征的对齐？
原题在SG-I2V的潜在优化过程中，如何确保优化后的潜在变量不会偏离扩散过程的分布？
原题SG-I2V在实验中如何验证其有效性，使用了哪些评估指标？
原题什么是MAGI-1模型，它的主要特点是什么？
原题MAGI-1模型是如何进行视频生成的？
原题MAGI-1模型在推理过程中是如何实现高效生成的？
原题MAGI-1模型在处理长时间视频生成时面临哪些挑战，是如何解决的？
原题MAGI-1在处理视频生成任务时，如何利用Transformer架构来提高训练和推理效率？
原题MAGI-1在推理过程中如何支持实时流式视频生成？
原题AnimateDiff视频模型能够支持哪些AI视频任务？
原题请简要介绍OmniAvatar的核心创新点和主要贡献?
原题解释OmniAvatar中的像素级多层级音频嵌入策略是如何工作的？
原题为什么OmniAvatar选择LoRA-based训练而不是全模型训练或部分层冻结？
原题描述OmniAvatar的整体架构设计及其关键组件?
原题OmniAvatar如何处理长视频生成中的身份保持和时间连续性问题？
原题OmniAvatar在实验中使用了哪些评估指标？
原题
暂无题目