Stable Video 4D (SV4D) ist ein auf Stable Video Diffusion (SVD) und Stable Video 3D (SV3D) basierendes Modell zur Videoerzeugung. Es nimmt ein Video aus einer einzigen Perspektive entgegen und generiert daraus mehrere neue Perspektiven des Objekts (4D-Bildmatrix). Das Modell wurde trainiert, um 40 Frames (5 Videoframes x 8 Kameraperspektiven) mit einer Auflösung von 576x576 zu generieren, basierend auf 5 Referenzframes gleicher Größe. Die Erzeugung erfolgt durch Generierung eines Bahnvideos mittels SV3D. Dieses Bahnvideo dient dann als Referenzansicht für SV4D, wobei das Eingabevideo als Referenzframe verwendet wird, um eine 4D-Abtastung durchzuführen. Das Modell generiert auch längere Videos aus neuen Perspektiven, indem es den ersten generierten Frame als Ankerpunkt verwendet und die restlichen Frames durch dichtes Sampling (Interpolation) erzeugt.