长视频故事生成综述：架构、一致性与电影级质量

尽管视频生成模型取得了显著进展，但现有的最先进方法仍只能生成时长为5-16秒的视频，这些视频常被称为“长视频”。此外，时长超过16秒的视频在整个叙事过程中难以保持角色外观和场景布局的一致性。特别是，多主体长视频仍无法保持角色一致性和动作连贯性。尽管有些方法可以生成长达150秒的视频，但它们通常存在帧冗余和时间多样性不足的问题。最近的工作试图生成具有多角色、叙事连贯性和高保真细节的长视频。我们全面研究了32篇关于视频生成的论文，以识别能够始终产生这些质量的关键架构组件和训练策略。我们还构建了一个全面的现有方法新分类体系，并提供了根据论文的架构设计和性能特征对其进行分类的比较表格。