FIFO-Diffusion est une nouvelle technique d'inférence basée sur un modèle de diffusion pré-entraîné, conçue pour la génération de vidéos conditionnelles textuelles. Elle permet de générer des vidéos d'une longueur illimitée sans entraînement, en exécutant itérativement un débruitage diagonal, traitant simultanément des niveaux de bruit croissants d'une série de frames consécutives dans une file d'attente ; la méthode extrait une frame complètement débruitée de la tête de la file et ajoute simultanément une nouvelle frame de bruit aléatoire à la queue. De plus, une segmentation latente est introduite pour réduire l'écart entre l'entraînement et l'inférence, et un débruitage prospectif est utilisé pour exploiter les avantages des références vers l'avant.