UniAnimate est un framework de modèle de diffusion vidéo unifié pour l'animation d'images de personnages. Il réduit la difficulté d'optimisation et assure la cohérence temporelle en mappant les images de référence, les guides de pose et les vidéos bruitées dans un espace de caractéristiques commun. UniAnimate peut traiter de longues séquences, prend en charge les entrées de bruit aléatoire et les entrées conditionnelles sur la première image, améliorant considérablement la capacité de génération de vidéos longues. De plus, il explore une architecture de modélisation temporelle alternative basée sur un modèle d'espace d'états, en remplacement du transformateur temporel initial gourmand en calcul. UniAnimate a obtenu des résultats de synthèse supérieurs aux meilleures techniques existantes, tant en évaluation quantitative que qualitative, et peut générer des vidéos d'une minute hautement cohérentes grâce à l'utilisation itérative de la stratégie conditionnelle sur la première image.