通过合成数据预训练，在一组艺术家的绘画序列的细微调整下进行微调的文本到视频模型 ProcessPainter 首次成功地从文本提示生成了绘画过程。此外，引入了 Artwork Replication Network，能接受任意帧输入，促进了绘画过程的可控生成和艺术品的复制。本文提供了推动艺术教育和图像生成技术发展的新视角和工具。

Jun, 2024

利用深度神经网络训练出的有条件生成对抗网络 (ECGAN) 可以从单幅室外图像中合成出一段时间流逝的视频，同时提出了多帧联合条件生成框架以有效地学习室外场景中的照明变化与白天时间之间的相关性，并没有参考视频用于合成最终输出，与替代解决方案相比具有更好的效果。

Apr, 2019

本研究使用生成模型从时光缩影中计算得出物体变形，包括：生成单个物体的未来状态、生成两个不同时刻的物体状态以及在循环框架中递归生成未来状态，并通过定性和定量方法进行评估并与其他模型进行比较。

Aug, 2016

该研究基于 GAN，介绍了一种生成逼真的高分辨率时间流视频的方法，第一阶段生成真实内容的视频，第二阶段利用 Gram 矩阵提高了运动动态和最后生成视频的逼真性。实验证明，该方法优于现有的最新模型。

Sep, 2017

本文提出了一种基于人类初级绘画的光线追踪图像生成方法 paint2pix，通过少量的简略涂鸦就能达到良好的效果，在自动绘画任务中表现良好，同时也能用于实际图像编辑中。

Aug, 2022

本文提出了一种利用 3D-VQGAN 和 transformers 生成长视频的方法，并通过 UCF-101、Sky Time-lapse 和 Taichi-HD 数据集的 16 帧视频剪辑进行了验证，同时还展示了结合文本和音频等条件扩展的方法。

Apr, 2022

通过对一个地标的互联网图片库进行计算，本研究实现了一个具有逼真视差效果的 3D 时光流影片，其中添加了虚拟相机的运动，同时解决了多个技术难点，包括解决时变深度图、使 3D 点颜色轮廓规则化、从预测轮廓中重建每帧高质量、无缺陷的图像。我们的结果展示了多年来城市天际线和自然场景的逼真时光流视频，具有明显的视差效果。

Nov, 2015

本文提出了一种基于生成对抗学习框架、伴随有空间–时间对抗性目标的视频生成方法，可高效地从语义分割掩膜、素描和姿势等多种输入格式生成 2K 分辨率、30 秒长的逼真视觉效果的视频，此方法成功优化了视频生成技术的最新发展状态，并被应用于未来视频预测。

Aug, 2018

通过在基于模型的深度强化学习中应用神经渲染器，我们展示了如何教授机器像人类画家一样用少量笔画来创作精美的油画。实验表明，不需要画家的经验或笔画跟踪数据，可以使用数百个笔画取得出色的视觉效果。

Mar, 2019

本研究提出了一种视频生成模型，通过重新设计时域隐变量表示和学习长期一致性并进行长时间分辨率分别为低和高的两阶段训练策略来优化生成视频的时序一致性，所得的模型经过新的基准数据集的测试，取得了良好的效果。

Jun, 2022