स्थिर वीडियो पोर्ट्रेट्स एक नवीन मिश्रित 2D/3D जनरेटिव विधि है जो यथार्थवादी गतिशील चेहरे वाले वीडियो उत्पन्न करने के लिए पूर्व-प्रशिक्षित टेक्स्ट-टू-इमेज मॉडल (2D) और 3D आकारिकी मॉडल (3D) का उपयोग करती है। यह तकनीक व्यक्ति-विशिष्ट ठीक-ट्यूनिंग के माध्यम से सामान्य 2D स्थिर प्रसार मॉडल को वीडियो मॉडल में उन्नत करती है, समय श्रृंखला 3D आकारिकी मॉडल को एक शर्त के रूप में प्रदान करती है, और समय शोर-हटाने की प्रक्रिया शुरू करती है, जिससे समय-सुचारु चेहरे की छवियां उत्पन्न होती हैं जिन्हें संपादित और टेक्स्ट-परिभाषित सेलेब्रिटी छवियों में बदल दिया जा सकता है, बिना किसी अतिरिक्त परीक्षण समय के ठीक ट्यूनिंग की आवश्यकता के। यह विधि मात्रात्मक और गुणात्मक विश्लेषण दोनों में मौजूदा मोनोकुलर हेड अवतार विधियों से बेहतर है।