视频扩散的空间与时间分工：3D U-Net、DiT 与图像模型适配

人工整理｜Lilian Weng 于2024-04-12发布的经典文字综述。文章把视频生成的额外难点归为跨帧一致性和视频数据供给，并梳理从头训练与扩展已有图像模型两条路线。3D U-Net可将空间卷积与时间注意力分开，DiT则以时空表示进行建模；另一条路径向图像模型加入时间层再微调。配图为原文署名研究架构图，不是观看影片。本批未运行模型或验证结果；文中2024技术脉络不当作当前排名，原页精确时间未知。

来源冻结；未取得模型评分，当前仅展示规则入口分；入口资料分8，仅按标题与原链信息完整性计算；尚未取得内容评分，不代表作品质量或材料不足。