OpenVid-1M：一个用于文本到视频生成的高质量数据集

OpenVid-1M 解决了文本到视频（T2V）生成中的两个关键问题：高质量数据集的缺乏和文本数据的未充分利用。这个新数据集包含超过一百万的文本-视频对，其中包括433K的高清视频。一种新的模型，多模态视频扩散变换器（MVDiT），通过更好地整合文本和视觉数据来增强视频生成。实验显示，与之前的方法相比有所改进。