VideoTetris ist ein neuartiger Framework, der die Text-zu-Video-Generierung ermöglicht und sich besonders für komplexe Szenarien eignet, die mehrere Objekte oder dynamische Änderungen der Objektzahlen beinhalten. Der Framework nutzt eine räumlich-zeitliche kombinierte Diffusionstechnik, um komplexe textuelle Semantik präzise zu befolgen, indem die räumlichen und zeitlichen Aufmerksamkeitskarten des Rauschentfernungsnetzwerks manipuliert und kombiniert werden. Zusätzlich wird ein neuer Referenzrahmen-Aufmerksamkeitsmechanismus eingeführt, um die Konsistenz der autoregressiven Videogenerierung zu verbessern. VideoTetris erzielt beeindruckende qualitative und quantitative Ergebnisse in der kombinierten Text-zu-Video-Generierung.