4D-fy ist ein Verfahren zur Text-zu-4D-Generierung, das durch die Kombination verschiedener vorab trainierter Diffusionsmodelle und deren überwachender Signale mittels Mixed-Fraction-Destillation-Sampling hochgenaue 4D-Szenen aus Textbeschreibungen erzeugt. Die Methode parametrisiert ein 4D-Strahlungsfeld mit neuronalen Repräsentationen, nutzt statische und dynamische mehrskalige Hash-Tabellen-Merkmale und rendert Bilder und Videos mittels Volume Rendering aus dieser Repräsentation. Durch Mixed-Fraction-Destillation-Sampling wird zunächst die Repräsentation mit den Gradienten eines 3D-sensitiven Text-zu-Bild-Modells (3D-T2I) optimiert, anschließend wird das Aussehen mithilfe der Gradienten eines Text-zu-Bild-Modells (T2I) verbessert und schließlich die Bewegung der Szene durch die Gradienten eines Text-zu-Video-Modells (T2V) hinzugefügt. 4D-fy kann 4D-Szenen mit ansprechender Optik, 3D-Struktur und Bewegung erzeugen.