克服数据限制

文本到视频生成的目标是根据给定提示生成视频。最近，一些商业视频模型已经能够生成逼真的视频，具有最小的噪音、出色的细节和高度的审美评分。然而，这些模型依赖于大规模、经过良好筛选的高质量视频，这对社区来说是不友好的。许多现有的研究作品使用低质量的WebVid-10M数据集来训练模型，但由于这些模型被优化以适应WebVid-10M，它们往往难以生成高质量的视频。