擴散模型在文本到圖像生成中取得了最先進的成果（Saharia 等人，2022；Rombach 等人，2022；Ramesh 等人，2022；Podell 等人，2023），這一研究領域也被應用於文本到視頻生成任務（Ho 等人，2022；Blattmann 等人，2023b；a；Gupta 等人，2023；Girdhar 等人，2023；Bar-Tal 等人，2024）。儘管在逼真性、文本依從性和時間一致性方面取得了顯著進展，但視頻擴散模型對於實時應用來說仍然過於緩慢。我們的工作擴展了這一研究，並使其適用於基於過去觀察和動作歷史的自回歸條件下的實時生成。
