VideoTetris是一个新颖的框架，它实现了文本到视频的生成，特别适用于处理包含多个对象或对象数量动态变化的复杂视频生成场景。该框架通过空间时间组合扩散技术，精确地遵循复杂的文本语义，并通过操作和组合去噪网络的空间和时间注意力图来实现。此外，它还引入了一种新的参考帧注意力机制，以提高自回归视频生成的一致性。VideoTetris在组合文本到视频生成方面取得了令人印象深刻的定性和定量结果。 需求人群：
"VideoTetris主要面向需要生成高质量视频内容的专业人士和研究人员，例如视频制作者、广告创意人员、动画师以及从事人工智能和机器学习研究的学者。它特别适合于那些需要根据文本描述快速生成视频内容，或者在视频生成中需要精确控制对象和场景变化的用户。"
