浙大、快手等机构提出多相机视频生成系统：SynCamMaster

大模型(LLM)是一种人工智能模型，旨在理解和生成人类语言。它们在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。LLM的特点是规模庞大，包含数十亿的参数，帮助它们学习语言数据中的复杂模式。这些模型通常基于深度学习架构，如转化器，这有助于它们在各种NLP任务上取得令人印象深刻的表现。

2022年底，OpenAI 推出的基于 GPT-3.5 的大型语言模型 ChatGPT，由于其优秀的表现，ChatGPT 及其背后的大型语言模型迅速成为人工智能领域的热门话题，吸引了广大科研人员和开发者的关注和参与。

为了方便大家阅读，只列出了论文标题、AMiner AI综述等信息，如果感兴趣可点击查看原文，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。

如果想要对某篇论文进行深入对话，可以直接复制论文链接到浏览器上或者直达AMiner AI页面：
https://www.aminer.cn/chat/g/explain

STIV: Scalable Text and Image Conditioned Video Generation

【要点】：本文提出了一种名为STIV的文本和图像条件视频生成方法，该方法通过融合图像条件和文本条件，实现了简单且可扩展的视频生成架构，并在多个任务中表现出优异性能。
【方法】：STIV方法将图像条件通过帧替换集成到扩散变压器（DiT）中，并将文本条件通过联合图像-文本条件无指导分类器实现，同时支持文本到视频（T2V）和文本-图像到视频（TI2V）任务。
【实验】：通过对T2I、T2V和TI2V的全面消融研究，