UniAnimate ist ein einheitliches Videodiffusionsmodell-Framework für die Animation von Personenbildern. Es reduziert die Komplexität der Optimierung und gewährleistet zeitliche Kohärenz, indem Referenzbilder, Positionsanweisungen und Rauschvideos in einen gemeinsamen Merkmalsraum abgebildet werden. UniAnimate kann lange Sequenzen verarbeiten, unterstützt Eingaben mit zufälligem Rauschen und Eingaben mit ersten Frames als Bedingung und verbessert so die Generierung langer Videos deutlich. Darüber hinaus untersucht es alternative zeitliche Modellierungsarchitekturen basierend auf Zustandsraummodellen, um die ursprünglich rechenintensiven zeitlichen Transformer zu ersetzen. UniAnimate erzielt sowohl in quantitativen als auch in qualitativen Bewertungen synthetische Ergebnisse, die die bestehenden Verfahren übertreffen, und kann durch iterative Verwendung der Strategie mit ersten Frames als Bedingung hochkonsistente einminütige Videos generieren.