video-generation

基于文字与图片的视频生成（第一代）

用于图像、视频、音频、文字、制作名单与模型探索的 Flatkey 媒体生成 CLI

[AAAI 2025] Follow-Your-Click：此仓库为“Follow-Your-Click: Open-domain Regional Image Animation via Short Prompts”的官方实现

[NeurIPS 2024] 自动驾驶通用世界模型

[ACM MM 2025] Ditto：用于可控实时虚拟人像合成的运动空间扩散模型。

[ICLR2026] SeedVR2：通过扩散对抗后训练实现的单步视频修复

[CVPR 2025 Highlight🔥] 基于频率分解的保持身份文本转视频生成

UniAnimate-DiT：基于大规模视频扩散Transformer的人像动画生成

[SIGGRAPH 2025] Diffusion as Shader: 用于多功能视频生成控制的 3D 感知视频 Diffusion

Topic in, narrated explainer video out. A Claude Code / Codex skill that turns any topic into a black-canvas motion-graphics explainer video with TTS voiceover, subtitles and a chapter progress bar. Chinese or English; every frame drawn in code with Remotion.

“RIFLEx: A Free Lunch for Length Extrapolation in Video Diffusion Transformers”(ICML 2025)、UltraViCo (ICLR 2026) 与 UltraImage 的官方实现

一个简单、统一的多模态模型训练引擎。精简、灵活，专为大规模修改与实验打造。

Kandinsky 5.0：用于视频与图像生成的扩散模型系列

使用 AI 从文字生成视频

从单张图片或文字提示词生成具备高质量全景视频的大规模可探索 3D 场景。

Open‑WebUI Tools 是一个模块化工具包，旨在扩充并丰富您的 Open WebUI 实例，将其转化为强大的 AI 工作站。项目内含超过 15 种专门工具、函数管线与过滤器，支持学术研究、代理自主性、多模态创造力、工作流程等功能。

[TMLR 2025🔥] 视觉自回归模型综述。

[CVPR 2024 Highlight] GenAD：用于自动驾驶的广义预测模型

rCM 与 Causal-rCM：大规模双向／自回归视频扩散蒸馏的领先与统一算法／基础设施

[NeurIPS 2025 Oral] Infinity⭐️：用于视觉生成的统一时空自回归建模。

精选的视频生成研究集合。

[ICML 2024] MagicPose (也称 MagicDance)：具备身份感知能力的 Diffusion 实现真实人类姿态与面部表情重定向

针对人类与 coding agents 的 Local-first 可视化生成运行时与工作室，在多个供应商之间提供可重现的图片与视频工作流程。

文本转视频生成/合成技术综述。

本地优先、Agent 原生的 ComfyUI 控制平面——内含 MCP 服务器与侧边栏 Agent，可使用任何 LLM（Claude、ChatGPT、Gemini、离线 Ollama 或任何托管模型）以自然语言生成图片、视频与音频，编写并执行工作流程，以及编辑实时图表。具备 178 种工具、36 种 AI 技能、55 种安装套件。支持本地、局域网、VPS 或 Comfy Cloud。

Cosmos-Transfer2.5 基于 Cosmos-Predict2.5 构建，可根据多种空间控制输入产生高质量的世界模拟。

一个极简、功能齐全的存储库，用于推进世界模型科学。

[ICCV 2025] 论文「MagicDrive-V2: High-Resolution Long Video Generation for Autonomous Driving with Adaptive Control」的官方实现。

[ICML 2025] 「History-Guided Video Diffusion」的官方 PyTorch 实现

[ICLR 2026] ChronoEdit：迈向图像编辑与世界模拟的时间推理