4D-fy es un método de generación de escenas 4D a partir de texto que, mediante la técnica de muestreo de destilación de fracciones mixtas, combina las señales de supervisión de varios modelos de difusión preentrenados para lograr una generación de escenas 4D a partir de texto de alta fidelidad. Su método parametriza un campo de radiación 4D mediante una representación neuronal, utilizando características de tablas hash multi-escala estáticas y dinámicas, y utiliza el renderizado volumétrico para generar imágenes y videos a partir de dicha representación. El muestreo de destilación de fracciones mixtas optimiza primero la representación utilizando el gradiente de un modelo de texto a imagen 3D (3D-T2I), luego combina el gradiente de un modelo de texto a imagen (T2I) para mejorar la apariencia, y finalmente combina el gradiente de un modelo de texto a video (T2V) para aumentar el movimiento de la escena. 4D-fy puede generar escenas 4D con una apariencia atractiva, estructura 3D y movimiento.