UniAnimate é uma estrutura de modelo de difusão de vídeo unificada para animação de imagens de personagens. Ele reduz a dificuldade de otimização e garante a coerência temporal ao mapear imagens de referência, orientação de poses e vídeos ruidosos para um espaço de recursos comum. O UniAnimate consegue processar sequências longas, suporta entrada de ruído aleatório e entrada condicional de quadros iniciais, melhorando significativamente a capacidade de gerar vídeos longos. Além disso, explora uma arquitetura de modelagem temporal alternativa baseada em modelos de espaço de estados, substituindo o Transformer temporal originalmente intensivo em computação. O UniAnimate alcançou resultados de síntese superiores aos dos modelos de ponta existentes em avaliações quantitativas e qualitativas, e consegue gerar vídeos de um minuto altamente consistentes por meio do uso iterativo de uma estratégia de condicionamento de quadro inicial.