W.A.L.T. ist ein auf Transformatoren basierendes Verfahren zur Erzeugung von Real-Videoaufnahmen. Durch die gemeinsame Komprimierung von Bildern und Videos in einen einheitlichen latenten Raum wird ein modalitätsübergreifendes Training und eine entsprechende Generierung ermöglicht. Es nutzt einen Window-Attention-Mechanismus, um den Speicherbedarf und die Trainingseffizienz zu verbessern. Das Verfahren erzielt auf mehreren Benchmarks zur Video- und Bilderzeugung State-of-the-Art-Ergebnisse.