據披露，阿里巴巴研發部門近期推出了一款名為 AtomoVideo 的高保真 I2V（即 Image to Video）框架，可將靜態圖像轉化成精美的視頻內容。其主要特點有：

1. 高保真度：生成視頻與輸入圖片在細節和風格上保持一致；

2. 運動連貫：視頻流暢無跳躍，保證時間上的連續性；

3. 視頻幀預測：通過精確的預測來支持長時延視頻序列生成；

4. 兼容性強：適配現有各式各樣的 T2I（Text-to-image）模型；

5. 高語義控制力：能夠針對客戶特殊需求，打造個性化的視頻內容。

AtomoVideo運用預設的 T2I 模型，在每個空間卷積層和注意力層后新增一維時空卷積和注意力模塊。現有的 T2I 模型參數固定不變，它們只會訓練新增的時空層，而輸入的串聯圖像信息由 VAE 編碼解析，這代表的是低層次信息，有利于提高視頻對輸入圖像的還原度。此外，團隊還使用 Cross-Attention 的方法融入高級圖像語義，以加強圖像語義可控性。

目前，該項目僅發布了論文和演示視頻，尚未開放線上試用途徑。另外，阿里巴巴已開啟 GitHub 賬號，但現在只是作為官方網站的托管地，并不包含相關代碼分享。