Upscale-A-Video é um modelo baseado em difusão que aprimora a resolução de vídeos usando vídeos de baixa resolução e prompts de texto como entrada. O modelo garante consistência temporal por meio de dois mecanismos principais: localmente, ele integra camadas temporais no U-Net e no VAE-Decoder para manter a consistência de sequências curtas; globalmente, um módulo de propagação latente guiada por fluxo é introduzido para melhorar a estabilidade geral do vídeo através da propagação e fusão de informações latentes em toda a sequência. Devido à natureza de difusão, nosso modelo também equilibra a fidelidade e a qualidade permitindo que prompts de texto guiem a criação de texturas e níveis de ruído ajustáveis, permitindo um equilíbrio entre restauração e geração. Experimentos extensivos demonstram que o Upscale-A-Video supera os métodos existentes em benchmarks sintéticos e do mundo real, bem como em vídeos gerados por IA, exibindo realismo visual e consistência temporal impressionantes.