awesome-video-generation

GitHub
757 39 非常简单 1 次阅读 5天前MIT图像视频
AI 解读 由 AI 自动生成，仅供参考

awesome-video-generation 是一个专注于视频生成领域的开源资源汇总库，旨在为研究者和开发者提供一站式的前沿学术导航。面对视频生成技术日新月异、论文层出不穷的现状，它有效解决了信息分散、难以追踪最新进展的痛点。

该资源库系统性地整理了从文本生成视频、图像转视频、个性化视频生成，到视频编辑、音频驱动视频及人物图像动画等多个细分方向的研究成果。其独特亮点在于极强的时效性与结构化分类：不仅按年份（涵盖 2021 至 2026 年预测）和顶级会议（如 CVPR、NeurIPS、ICLR 等）对论文进行精细归档，还及时更新官方代码、模型权重及相关数据集链接。此外，仓库维护者也会同步分享团队在视频一致性编辑等方面的最新突破性工作。

awesome-video-generation 特别适合人工智能研究人员、算法工程师以及高校学生使用。对于希望快速把握领域动态、复现经典算法或寻找创新灵感的从业者而言，这是一个不可或缺的专业知识库，帮助用户高效连接理论与工程实践，加速视频生成技术的探索与应用。

使用场景

某广告公司的 AI 研发小组正紧急为一家运动品牌开发“静态海报转动态短视频”的功能，需要在两周内复现业界最新的视频生成效果以验证商业可行性。

没有 awesome-video-generation 时

  • 文献检索如大海捞针：团队成员需在 arXiv、Google Scholar 等多个平台分散搜索，难以区分哪些是仅停留在理论阶段的论文，哪些已有开源代码可供快速验证。
  • 技术选型盲目低效：面对“图像转视频”、“个性化生成”等细分方向，缺乏系统的分类指引，导致团队在过时的模型上浪费了大量算力资源进行无效尝试。
  • 复现门槛极高：找不到配套的预训练权重或标准测试数据集（如 DAVIS-Edit），研究人员需自行清洗数据并从头训练，项目进度严重滞后。
  • 前沿动态掌握滞后：无法及时获取如 CVPR 2025 或 NeurIPS 2024 等顶会的最新录用论文，导致技术方案可能在上马时已落后于行业半年。

使用 awesome-video-generation 后

  • 一站式资源聚合：直接通过目录定位到"Image-to-Video"或"Human Image Animation"板块，快速获取按年份排序的精选论文及对应的 GitHub 代码链接。
  • 精准锁定可用方案：利用仓库中标注的“已开源代码”和“模型权重”信息，团队迅速锁定了 StableV2V 等成熟模型，将环境搭建时间从数天缩短至数小时。
  • 基准测试开箱即用：直接下载仓库推荐的标准化数据集和评测基准，无需自行构建测试集，确保了实验结果的可比性和权威性。
  • 同步全球最新进展：通过定期更新的顶会论文列表（如 AAAI 2024、ICLR 2025），团队立即引入了最新的形状一致性编辑技术，显著提升了输出视频的稳定性。

awesome-video-generation 将原本需要数周的文献调研与资源整理工作压缩至一天，让研发团队能专注于核心算法的优化与业务落地。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes该仓库（awesome-video-generation）是一个视频生成领域的论文和资源汇总列表，本身不是一个可运行的软件工具，因此 README 中未包含具体的操作系统、硬件配置或依赖库要求。列表中提到的具体项目（如 StableV2V, CogVideoX 等）需前往其各自的代码仓库查看运行环境需求。
python未说明
awesome-video-generation hero image

快速开始

视频生成研究合集

本 GitHub 仓库汇总了与视频生成任务相关的论文和资源。

如果您对本仓库有任何建议，欢迎随时新建议题或提交拉取请求。

本 GitHub 仓库的最新动态如下。

🔥 [2025年12月11日] 我们题为《StableV2V：稳定视频到视频编辑中的形状一致性》的论文已被 TCSVT 2025 接收！

🔥 [11月19日] 我们发布了最新论文《StableV2V：稳定视频到视频编辑中的形状一致性》（arXiv 链接），并同步开源了对应的代码、模型权重以及用于测试的基准数据集DAVIS-Edit。欢迎通过链接查看！

点击查看更多信息。
  • [2025年5月13日] 更新了一个名为人物图像动画的新子任务。所有CVPR 2025论文及参考文献均已更新。
  • [6月17日] 所有NeurIPS 2023论文及参考文献均已更新。
  • [4月26日] 新增一个方向：个性化视频生成。
  • [3月28日] 官方AAAI 2024论文列表已发布！相应地更新了官方 PDF 版本及 BibTeX 参考文献。

目录

待办事项

  • 最新论文
    • 更新 NeurIPS 2025 论文
    • 更新 ICCV 2025 论文
    • 更新 CVPR 2025 论文
    • 更新 ICLR 2025 论文
    • 更新 NeurIPS 2024 论文
    • 更新 ECCV 2024 论文
    • 更新 CVPR 2024 论文
      • 更新 ⚠️ 论文的 PDF 和参考文献
      • 更新参考文献的正式版本
    • 更新 AAAI 2024 论文
      • 更新 ⚠️ 论文的 PDF 和参考文献
      • 更新参考文献的正式版本
    • 更新 ICLR 2024 论文
    • 更新 NeurIPS 2023 论文
  • 已发表论文
    • 更新之前的 CVPR 论文
    • 更新之前的 ICCV 论文
    • 更新之前的 ECCV 论文
    • 更新之前的 NeurIPS 论文
    • 更新之前的 ICLR 论文
    • 更新之前的大会 AAAI 论文
    • 更新之前的大会 ACM MM 论文
  • 定期维护预印本 arXiv 论文及遗漏论文

<🎯返回顶部>

产品

名称 机构 年份 研究论文 官网 特色
Sora OpenAI 2024 链接 链接 -
Lumiere Google 2024 链接 链接 -
VideoPoet Google 2023 - 链接 -
W.A.I.T Google 2023 链接 链接 -
Gen-2 Runaway 2023 - 链接 -
Gen-1 Runaway 2023 - 链接 -
Animate Anyone Alibaba 2023 链接 链接 -
Outfit Anyone Alibaba 2023 - 链接 -
Stable Video StabilityAI 2023 链接 链接 -
Pixeling HiDream.ai 2023 - 链接 -
DomoAI DomoAI 2023 - 链接 -
Emu Meta 2023 链接 链接 -
Genmo Genmo 2023 - 链接 -
NeverEnds NeverEnds 2023 - 链接 -
Moonvalley Moonvalley 2023 - 链接 -
Morph Studio Morph 2023 - 链接 -
Pika Pika 2023 - 链接 -
PixelDance ByteDance 2023 链接 链接 -

<🎯返回顶部>

论文

综述论文

  • 2024年
    • arXiv
  • 2023年
    • arXiv

文本到视频生成

图像转视频生成

<🎯返回顶部>

音频到视频生成

  • 2024年
    • AAAI
      • 通过文生视频模型适配实现多样化且对齐的音频到视频生成 [论文] [代码]
  • 2023年
    • CVPR
      • MM-Diffusion: 学习用于联合音频和视频生成的多模态扩散模型 [论文] [代码]

<🎯返回顶部>

个性化视频生成

  • 2024年
    • CVPR
    • ICCV
      • PersonalVideo: PersonalVideo：在不降低动态性和语义性的情况下进行高身份保真度的视频定制 [论文] [项目] [代码]
      • MagicID: MagicID：用于保持身份一致性和动态性的混合偏好优化视频定制 [论文] [项目] [代码]
      • DreamRelation: 梦境关系：以关系为中心的视频定制 [论文] [项目]
      • ⚠️ PERSONA: PERSONA：基于单张图像，通过姿态驱动变形生成的个性化全身3D虚拟形象
    • ECCV
      • PoseCrafter: 一次性实现灵活姿态控制的个性化视频合成 [论文] [项目]
    • arXiv
  • 2023年
    • arXiv
      • FastComposer: 无需微调的局部注意力多主体图像生成 [论文] [代码] [演示]
      • Make-Your-Video: 利用文本和结构引导进行定制化视频生成 [论文] [项目]
      • DreamVideo-2: 零样本主体驱动视频定制，具备精确的运动控制 [论文] [项目]

<🎯返回顶部>

视频编辑

<🎯返回顶部>

人物图像动画

<🎯返回顶部>

数据集

  • [arXiv 2012] UCF101: 一个包含101个动作类别的野外视频数据集 [论文] [数据集]
  • [arXiv 2017] DAVIS: 2017年视频目标分割挑战赛 [论文] [数据集]
  • [ICCV 2019] FaceForensics++: 学习检测被篡改的人脸图像 [论文] [代码]
  • [NeurIPS 2019] TaiChi-HD: 基于第一阶运动模型的图像动画 [论文] [数据集]
  • [ECCV 2020] SkyTimeLapse: DTVNet：通过单张静态图像生成动态延时视频 [论文] [代码]
  • [ICCV 2021] WebVid-10M: 冻结时间：用于端到端检索的联合视频和图像编码器 [论文] [数据集] [代码] [项目]
  • [ICCV 2021] WebVid-10M: 冻结时间：用于端到端检索的联合视频和图像编码器 [论文] [数据集] [项目]
  • [ECCV 2022] ROS: 通过观看YouTube视频学习驾驶：基于动作条件的对比策略预训练 [论文] [代码] [数据集]
  • [arXiv 2023] HD-VG-130M: VideoFactory：用于文本到视频生成的时空扩散中的交换注意力 [论文] [数据集]
  • [NeurIPS 2023] FETV: 一个用于细粒度评估开放域文本到视频生成的基准 [论文] [代码]
  • [ICLR 2024] InternVid: 一个用于多模态理解和生成的大规模视频-文本数据集 [论文] [数据集]
  • [CVPR 2024] Panda-70M: 使用多模态教师为7000万段视频添加字幕 [论文] [数据集] [项目]
  • [arXiv 2024] VidProM: 一个百万级的真实提示图库数据集，用于文本到视频扩散模型 [论文] [数据集]
  • [CVPR 2025] HOIGen-1M: 一个用于人-物体交互视频生成的大规模数据集 [论文] [数据集]
  • [CVPR 2025] VEU-Bench: 朝着全面理解视频编辑的方向前进 [论文]

<🎯返回顶部>

评价指标

问答

  • 问：这篇论文列表的会议顺序是什么？
    • 这篇论文列表按照以下顺序排列：
      • CVPR
      • ICCV
      • ECCV
      • NeurIPS
      • ICLR
      • AAAI
      • ACM MM
      • SIGGRAPH
      • arXiv
      • 其他
  • 问：这里的“其他”指的是什么？
    • 一些研究（例如“Sora”）并未在arXiv上发表技术报告，而是倾向于在其官方网站上撰写博客文章。“其他”类别指的就是这类研究。

<🎯返回顶部>

参考文献

reference.bib 文件汇总了最新图像修复相关论文、常用数据集和工具库的 BibTeX 格式参考文献。基于原始参考文献，我进行了以下修改，以使它们在 LaTeX 文档中显示得更加美观：

  • 参考文献通常采用 作者-etal-年份-昵称 的形式构建。特别地，数据集和工具库的参考文献直接使用 昵称 构建，例如 imagenet。
  • 在每条参考文献中，所有会议或期刊名称均被转换为缩写，例如 Computer Vision and Pattern Recognition -> CVPR。
  • 移除了所有参考文献中的 url、doi、publisher、organization、editor 和 series 字段。
  • 如果缺少页码 (pages)，则为其添加页码。
  • 所有论文标题均采用首字母大写格式，并额外添加了一对 {}，以确保在某些特定模板中也能正确显示首字母大写。

如果您对参考文献格式有其他需求，可以通过在 DBLP 或 Google Scholar 中搜索论文名称来参考其原始参考文献。

<🎯返回顶部>

点赞历史

点赞历史图表

<🎯返回顶部>

微信群

<🎯返回顶部>

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|今天
开发框架图像Agent

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.7k|★★☆☆☆|2天前
开发框架图像Agent

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

★ 85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

★ 77.1k|★★★☆☆|2天前
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。

★ 74.9k|★★★☆☆|今天
语言模型图像开发框架

tesseract

Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。 在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。 Tesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中

★ 73.3k|★★☆☆☆|3天前
开发框架图像