video-generation 第 4 页
本站收录 486 个带「video-generation」标签的 AI 开源项目（按 GitHub 星标从高到低，第 4 / 10 页）
Awesome-RL-for-Video-GenerationAwesome-RL-for-Video-Generation 是一个精选论文列表，聚焦于强化学习（RL）在视频生成领域的应用。它系统整理了利用 PPO、DPO★ 589
common_metrics_on_video_quality这是一个用于评估视频生成或预测质量的Python工具库，专注于计算FVD、PSNR、SSIM、LPIPS等核心指标。它解决了视频生成领域缺乏统一、易用的评估工具★ 586
VEnhancerVEnhancer是一个用于视频生成的生成式时空增强工具，基于扩散模型，解决视频生成中时间一致性和空间分辨率不足的问题。它通过生成式方法对视频进行超分辨率、帧插★ 579
video-generator-clientvideo-generator-client 是一个用 Python 编写的异步视频生成客户端，把 Seedance、Kling、MiniMax、Wan 等多家★ 558
VideoTunaVideoTuna 是一个专注于视频生成模型微调的开源工具，旨在让开发者能够轻松地针对特定风格、主题或场景对现有的文本到视频（T2V）扩散模型进行定制化训练。它★ 555
Cosmos-Drive-DreamsCosmos-Drive-Dreams 是一个基于世界基础模型（World Foundation Models）的可扩展合成驾驶数据生成项目。它利用 NVIDI★ 552
SLASLA（Sparse-Linear Attention）是一个面向扩散Transformer（DiT）的推理加速项目，通过引入可微调的稀疏线性注意力机制，在保持★ 551
genblazeGenblaze 是一个开源 Python SDK，用于编排跨视频、音频和图像提供商的生成式 AI 媒体管道，并为每个输出内置来源追踪。它解决了在多个 AI 服★ 549
FreeInitFreeInit 是一个针对视频扩散模型的训练后优化方法，由南洋理工大学等机构在 ECCV 2024 提出。它解决视频扩散模型在生成时因初始噪声与视频低频结构不★ 544
forge-filmforge-film 是一个基于 Python 的多模型 DAG 驱动并行 AI 影视生成引擎。它解决传统 AI 视频生成中场景逐个生成、耗时漫长的问题，通过将★ 540
storytellerstoryteller 是一个多模态 AI 故事生成器，结合 Stable Diffusion、GPT 和神经文本转语音技术，将文字故事自动转化为图文并茂、带语★ 535
Light-A-VideoLight-A-Video 是一个无需训练的视频重打光工具，由南洋理工大学等机构提出，论文发表于 ICCV 2025。它解决的是视频编辑中光照不一致的痛点：用户★ 527
SparkDiffusionSparkDiffusion 是一个面向 DiT（Diffusion Transformer）视频生成模型的推理加速框架，目标是把原本需要数分钟甚至更久的视频生★ 522
Vidu-SVidu-S 是一个面向实时交互式视频生成的开源项目，核心目标是让视频生成不再是一次性输出，而是可实时编辑、可空间操控的生成过程。它试图解决传统视频生成模型只能★ 512
DiffMorpherDiffMorpher 是 CVPR 2024 的官方实现，旨在利用扩散模型的能力实现高质量的图像变形（morphing）。传统图像变形方法在保持语义一致性和视★ 511
fantasy-portraitFantasyPortrait 是一个面向多人物肖像动画的视频生成开源项目，基于扩散变换器（Diffusion Transformers）并引入表情增强机制。它★ 510
OmniWorldOmniWorld 是一个面向 4D 世界建模的多领域、多模态数据集，由 ICLR 2026 论文提出。它旨在解决当前视频生成和世界模型研究中数据单一、缺乏空间★ 502
Seedance-2.5-APISeedance-2.5-API 是一个针对字节跳动 Seedance 2.5 视频生成模型的 Python 封装库，旨在简化开发者对文本生成视频（T2V）和图★ 499
floatFLOAT 是一个基于 PyTorch 的音频驱动人像动画生成框架，论文发表于 ICCV 2025。它通过生成式运动潜流匹配（Generative Motion★ 495
Open-OmniVCusOmniVCus 是一个面向视频定制生成的开源项目，基于扩散模型（Diffusion Models）和 Transformer 架构，支持通过多模态控制条件（如★ 490
FlashVideoFlashVideo 是一个面向高效高分辨率视频生成的开源项目，源自 AAAI-2026 论文。它针对现有视频扩散模型在生成高分辨率视频时计算成本高、细节保真度★ 487
OmniShowOmniShow 是字节跳动推出的统一视频生成模型，专注于人-物交互（HOI）视频生成，论文发表于 ICML 2026。它基于扩散模型（DiT/MMDiT）架构★ 474
CVPR23_LFDMCVPR23_LFDM 是 CVPR 2023 论文《Conditional Image-to-Video Generation with Latent Flo★ 471
EDTalkEDTalk是一款基于ECCV 2024 Oral论文的官方PyTorch实现，专注于高保真、可编辑的说话人脸视频生成。它解决了传统说话人脸生成中姿态、表情和口★ 466
hyperframes-motion-directorhyperframes-motion-director 是一个面向中文用户的 Agent Skill，专门用于将文章、产品介绍、网页和 README 文件转化为★ 465
Awesome-Evaluation-of-Visual-Generation这是一个聚焦视觉生成模型评测领域的精选资源列表，系统整理了相关的评估指标、评估模型和评估系统。它解决了视觉生成领域缺乏统一、全面评测参考的问题，为研究人员和工程★ 464
Magic-MeMagic-Me 是一个基于扩散模型的个性化视频生成项目，旨在实现身份特定的视频定制化生成。它解决了现有文本到视频模型难以保持特定人物身份一致性的问题，允许用户★ 460
Video-As-PromptVideo-As-Prompt 是一个面向视频生成的可控性研究项目，源自 ICLR 2026 论文。它提出将视频本身作为提示（Prompt），实现统一的语义控制★ 460
Awesome-Try-On-Models这是一个虚拟试穿（Virtual Try-on）领域的资源聚合仓库，系统整理了相关论文、代码和工具。它解决的是虚拟试穿方向研究者和开发者信息分散、难以快速找到高★ 458
MM-DiffusionMM-Diffusion是CVPR 2023提出的多模态扩散模型，用于联合生成音频和视频。它解决的是传统生成模型只能处理单一模态、难以实现音视频同步生成的问题。★ 454
vmemVMem 是一个基于 ICCV 2025 论文的开源视频生成项目，专注于交互式视频场景生成。它通过 Surfel-Indexed View Memory（表面元★ 450
World-R1World-R1 是一个面向文本到视频生成任务的强化学习框架，核心思路是在视频生成过程中注入 3D 约束，以提升生成内容的物理合理性和时空一致性。它解决了现有视★ 427
lanshu-awesome-ai-video-kit这是一个从企业级AI视频项目实战中提炼出的工具包，汇集了411个提示词、15个主流视频生成模型（如可灵、即梦、混元、CogVideoX等）、7个Claude S★ 426
ai-video-generator-claude这是一个为 Claude Code 设计的技能包，包含 10 个专门用于生成 Seedance 2.0 视频提示词的技能，目标平台是 Higgsfield。它解★ 425
OpenDWMOpenDWM 是一个专注于自动驾驶场景的开源世界模型代码库，提供从训练、推理到评估的完整工具链，并附带预训练权重。它基于扩散模型和视频生成技术，旨在解决自动驾★ 423
unified_video_actionunified_video_action 是 RSS 2025 论文的官方 PyTorch 实现，旨在统一视频生成与机器人动作预测。该项目解决机器人操作中视觉生★ 415
awesome-seedance-2.5-guide这是一个关于字节跳动 Seedance 2.5 视频生成模型的非官方指南仓库，整理了 36 个官方媒体素材，并保留了 Seedance 2 的旧版指南。项目主要★ 413
TesserActTesserAct 是 ICCV 2025 收录的 4D 具身世界模型项目，旨在解决机器人或具身智能体对动态三维世界的理解与预测问题。它通过将视频生成与 3D/★ 410
openOiiopenOii 是一个基于 LangGraph 的多智能体 AI 漫剧生成平台，旨在将简单的故事想法自动转化为完整的漫剧视频。它解决了从创意到成片过程中涉及的角★ 409
Awesome-Generation-Acceleration这是一个专注于生成模型加速的资源合集，主要收集扩散模型、文本到图像生成等领域的推理加速技术。它解决了生成式AI模型在部署时计算量大、推理速度慢的问题，通过整理高★ 403
NexiorNexior 是一个基于 Vue 3 和 Capacitor 构建的消费级 AI 应用，集成了聊天、图像生成、视频生成和音乐创作等多项功能。它通过 Ace Da★ 400
LocalText2VoiceLocalText2Voice 是一个完全离线的本地文本转语音生产工作流，专为生成干净旁白、结构化学习内容和播客级音频而设计。它解决了在无网络环境下依赖云端 T★ 397
World-SimulatorWorld-Simulator 是一个围绕“模拟真实世界”主题的学术资源聚合项目，收录了 IEEE TPAMI 2026 论文《Simulating the R★ 394
EponaEpona 是 ICCV 2025 收录的自动驾驶世界模型官方实现，基于自回归扩散模型生成未来视频帧。它解决自动驾驶中预测未来场景的难题，核心能力是给定当前观测★ 392
stylegan-vStyleGAN-V 是一个基于 StyleGAN2 架构的连续视频生成模型，由 Snap 研究院在 CVPR 2022 提出。它解决了传统视频生成模型在分辨率★ 391
JavisDiTJavisDiT 是一个面向音频-视频联合生成的扩散 Transformer 模型系列，由 ICLR 2026 论文官方实现。它解决的是传统视频生成中音频与画面★ 384
mega-data-factorymega-data-factory 是一个面向大规模基础模型训练的多模态数据流水线框架，专注于解决数据质量与数据规模之间的平衡问题。它提供了一套从数据采集、清洗★ 380
physics-IQ-benchmark这是一个用于评估生成式视频模型物理理解能力的基准测试工具。它通过设计一系列物理场景和任务，测试视频生成模型是否真正理解物体的运动规律、碰撞、重力等物理现象，而不★ 379
Vidu4DVidu4D（Video4DGen）是一个面向视频与4D内容生成的开源项目，由北大和生数科技联合提出，发表于TPAMI 2025和NeurIPS 2024。它解★ 371
RefAlignRefAlign 是一个用于参考视频生成的表示对齐框架，旨在解决现有视频扩散模型在生成时难以保持参考对象外观一致性的问题。它通过引入表示对齐机制，将参考图像或视★ 363