UniVidX

UniVidX 是一个基于扩散先验的统一多模态视频生成框架，支持文本、图像、深度、运动等多种条件输入，实现视频生成与感知任务的一体化建模。其核心技术包括随机条件掩码（SCM）、解耦门控LoRA（DGL）和跨模态自注意力（CMSA），仅需不到1000条训练视频即可高效适配多种视频生成任务。适用于科研探索、多条件可控视频合成、轻量级视频编辑及跨模态视频理解等场景，尤其适合需兼顾生成质量与训练数据效率的研究与应用需求。