4D-fy é um método de geração de 4D a partir de texto que, por meio da técnica de amostragem por destilação de frações mistas, combina sinais de supervisão de diversos modelos de difusão pré-treinados, alcançando uma geração de cenas 4D de alta fidelidade a partir de texto. O método parametriza um campo de radiação 4D usando representações neurais, utiliza recursos de tabela hash multi-escala estáticos e dinâmicos e emprega renderização volumétrica para renderizar imagens e vídeos a partir da representação. Através da amostragem por destilação de frações mistas, primeiro otimiza-se a representação usando o gradiente de um modelo 3D de texto para imagem (3D-T2I), depois melhora-se a aparência combinando o gradiente de um modelo de texto para imagem (T2I) e, finalmente, adiciona-se movimento à cena combinando o gradiente de um modelo de texto para vídeo (T2V). O 4D-fy pode gerar cenas 4D com aparência atraente, estrutura 3D e movimento.