MOFA-Video est une méthode permettant d'animer une seule image à l'aide de divers signaux de contrôle. Elle utilise la génération de mouvement clairsemé à dense (S2D) et une technique d'adaptation de mouvement basée sur le flux, permettant d'animer efficacement une image unique avec différents types de signaux de contrôle, tels que les trajectoires, les séquences de points clés et leurs combinaisons. Pendant la phase d'entraînement, des signaux de contrôle clairsemés sont générés par échantillonnage de mouvement clairsemé, puis différents MOFA-Adapters sont entraînés pour générer des vidéos à partir d'une SVD pré-entraînée. Pendant la phase d'inférence, différents MOFA-Adapters peuvent être combinés pour contrôler conjointement la SVD figée.