英伟达近期和康奈尔大学的研究团队合作，推出了名为 VideoLDM模型，可以 根据文本描述，自动 生成最高分辨率 2048*1280、24 帧、最长 4.7 秒的视频。
英伟达表示该模型配有 41 亿个参数，其中 27 亿个经过视频训练，这符合现代生成式 AI 的标准。IT之家从博文中获悉，英伟达表示通过高效的潜在扩散模型（LDM），能够创建多样化、高质量、高清晰度的视频。
以下为英伟达官方对 VideoLDM 模型的解析：
潜在扩散模型 (LDM) 通过在压缩的低维潜在空间中训练扩散模型，在避免过多计算需求的同时实现了高质量的图像合成。
我们将 LDM 范例应用于高分辨率视频生成，这是一个特别资源密集型的任务。
首先对图像进行 LDM 预训练，然后通过在潜在空间扩散模型中引入时间维数并对编码图像序列 (即视频) 进行微调，将图像生成器转换为视频生成器。
之后我们在时间上对齐扩散模型上采样器，将它们转换成时间上一致的视频超分辨率模型。
此外，我们的技术可以很容易地利用现成的预先训练的图像 LDM，因为在这种情况下，只需要训练一个时间对齐模型。
通过这种训练方式，我们将公开可用的、最先进的文本到图像 LDM 稳定扩散转换为高效的、具有表现力的文本到视频模型，分辨率最高可达 1280 x 2048。
我们的研究发现，时间层可以用这种方式训练泛化到不同的微调文本到图像 LDM。利用这一特性，我们显示了个性化的文本到视频生成的第一个结果，为未来的内容创作指出了激动人心的方向。
根据英伟达官方解释，VideoLDM 模型的技术原理就是 先用文本生成多个图像，再 将图像重新组织成为视频。
除此之外，该模型还能创建驾驶场景的视频，视频分辨率为 1024 × 512 像素，最长 5 分钟。英伟达表示目前该项目处于研究阶段，暂时不会向公众开放。
