UniAnimate es un marco de modelo de difusión de vídeo unificado para la animación de imágenes de personas. Reduce la dificultad de optimización y asegura la coherencia temporal al mapear imágenes de referencia, guía de poses y vídeos ruidosos a un espacio de características común. UniAnimate puede procesar secuencias largas, admite entrada de ruido aleatorio y entrada condicional de fotogramas iniciales, mejorando significativamente la capacidad de generar vídeos largos. Además, explora una arquitectura de modelado temporal alternativa basada en modelos de espacio de estados para reemplazar el costoso Transformer temporal original. UniAnimate ha logrado resultados de síntesis superiores a los de las técnicas de vanguardia existentes en evaluaciones cuantitativas y cualitativas, y puede generar vídeos de un minuto altamente consistentes mediante el uso iterativo de la estrategia de condicionamiento del fotograma inicial.