Stable Video Diffusion (SVD) 1.1 Image-to-Video é um modelo de difusão que gera vídeos correspondentes a partir de imagens estáticas como quadros condicionais. Este modelo, um modelo de difusão latente, foi treinado para gerar curtos clipes de vídeo a partir de imagens. Com resolução de 1024x576, o modelo foi treinado para gerar vídeos de 25 frames, baseado em frames de contexto do mesmo tamanho e com ajuste fino a partir do SVD Image-to-Video [25 frames]. O ajuste fino fixou as condições de 6 FPS e Motion Bucket Id 127 para melhorar a consistência da saída sem ajustes de hiperparâmetros.