4D-fy est une méthode de génération de scènes 4D à partir de texte, qui utilise une technique d'échantillonnage par distillation de score mixte. En combinant les signaux de supervision de plusieurs modèles de diffusion pré-entraînés, elle permet la génération de scènes 4D haute fidélité à partir de descriptions textuelles. La méthode paramètre un champ radiatif 4D via une représentation neuronale, utilise des caractéristiques de tables de hachage multi-échelles statiques et dynamiques, et effectue le rendu d'images et de vidéos à partir de cette représentation via un processus de rendu volumique. L'échantillonnage par distillation de score mixte optimise d'abord la représentation à l'aide des gradients d'un modèle texte-vers-image 3D (3D-T2I), puis améliore l'apparence en intégrant les gradients d'un modèle texte-vers-image (T2I), et enfin ajoute du mouvement à la scène en intégrant les gradients d'un modèle texte-vers-vidéo (T2V). 4D-fy permet de générer des scènes 4D avec une apparence attrayante, une structure 3D et des mouvements réalistes.