# AtomoVideo – 阿里推出的高保真图像到视频生成框架

- Link: https://paooo.com/aigc-news/28121/
- Published: 2026-07-09T23:41:14+08:00
- Author: Prompt 语宙研究院

## AtomoVideo是什么

AtomoVideo是由阿里巴巴的研究团队提出的一个高保真图像到视频（Image-to-Video, I2V）
生成框架，旨在从输入的静态图像生成高质量的视频内容。该框架基于多粒度图像注入和高
质量的数据集及训练策略，使其能够保持生成视频与给定参考图像之间的高保真度，同时实现
丰富的运动强度和良好的时间一致性。

阅读目录

 * [AtomoVideo是什么](https://paooo.com/aigc-news/28121/#atomovideo%e6%98%af%e4%bb%80%e4%b9%88)
 * [AtomoVideo的官网入口](https://paooo.com/aigc-news/28121/#atomovideo%e7%9a%84%e5%ae%98%e7%bd%91%e5%85%a5%e5%8f%a3)
 * [AtomoVideo的功能特性](https://paooo.com/aigc-news/28121/#atomovideo%e7%9a%84%e5%8a%9f%e8%83%bd%e7%89%b9%e6%80%a7)
 * [AtomoVideo的工作原理](https://paooo.com/aigc-news/28121/#atomovideo%e7%9a%84%e5%b7%a5%e4%bd%9c%e5%8e%9f%e7%90%86)

相较于Runway Gen-2和Pika 1.0，AtomoVideo在保持图像细节、生成动态视频以及提供个性
化和可控生成方面表现出了一定的优势。

![AtomoVideo](https://paooo.com/wp-content/uploads/2026/07/atomovideo-framework-
1.avif)

## AtomoVideo的官网入口

 * 官方项目主页：[https://atomo-video.github.io/](https://atomo-video.github.io/)
 * arXiv研究论文：[https://arxiv.org/abs/2403.01800](https://arxiv.org/abs/2403.01800)

## AtomoVideo的功能特性

 * **高保真图像到视频生成**：AtomoVideo能够根据用户输入的静态图像生成与之高度一致
   的视频内容，生成的视频在风格、内容和细节上都与原始图像保持高度相似。
 * **视频帧预测**：该框架支持长视频序列的生成，通过迭代预测后续帧的方式，可以从一系列
   初始帧生成更长的视频内容。
 * **时间一致性和稳定性**：AtomoVideo在生成视频时，注重时间上的连贯性和稳定性，确保
   视频播放时动作流畅，不会出现突兀的跳转或不连贯的画面。
 * **文本到视频生成**：结合先进的文本到图像模型，AtomoVideo还能够实现文本到视频的
   生成，用户可以通过文本描述来指导视频内容的创作。
 * **个性化和可控生成**：通过与个性化的文生图模型和可控生成模型的结合，AtomoVideo
   能够根据用户的特定需求生成定制化的视频内容。

## AtomoVideo的工作原理

 1. **整体流程**：AtomoVideo 使用预训练的文本到图像（T2I）模型作为基础，并在每个空间
    卷积和注意力层之后添加新的一维时间卷积和时间注意力模块。在训练过程中，只有添加的
    时间层和输入层的参数会被更新，而T2I模型的参数保持固定。
 2. **图像信息注入**：为了在生成视频中保持与输入图像的一致性，AtomoVideo 在两个不同
    的位置上注入图像信息。首先，通过VAE编码器将输入图像编码为低级表示，然后将其与高斯
    噪声结合。同时，使用CLIP图像编码器提取图像的高级语义表示，并通过交叉注意力层注入
    到生成过程中。
     ⌊AtomoVideo的工作原理⌉
 3. **视频帧预测**：为了实现长视频的生成，AtomoVideo采用迭代预测的方法。给定一系列初始
    视频帧，模型会预测接下来的帧。这种方法允许在有限的GPU内存约束下生成长视频序列。
 4. **训练和推理**：在训练阶段，AtomoVideo使用内部的15M数据集，其中每个视频大约10-30
    秒长，并且视频的文本描述也被输入到模型中。训练过程中采用了零终端信噪比（SNR）和
    v-prediction策略，以提高视频生成的稳定性。模型的输入尺寸为512×512，包含24帧。在
    推理阶段，模型执行分类器自由引导（Classifier-Free Guidance），结合图像和文本条件
    注入，以提高生成输出的稳定性。
 5. **个性化视频生成**：AtomoVideo在训练时固定了基础2D UNet的参数，只训练添加的参数，
    因此可以与社区中流行的个性化模型结合。例如，可以与epiCRealism这样的T2I模型结合，
    该模型擅长生成光和影效果，用于I2V生成时倾向于生成包含光元素的视频。

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/28121/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)