Retratos de Vídeo Estáveis é um método inovador de geração híbrida 2D/3D que utiliza modelos pré-treinados de texto para imagem (2D) e modelos morfológicos 3D (3D) para gerar vídeos de rostos em movimento realistas. A técnica aprimora modelos de difusão estável 2D gerais para modelos de vídeo por meio de ajuste fino específico para a pessoa, fornecendo um modelo morfológico 3D de sequência temporal como condição e introduzindo um processo de desruidificação temporal para gerar imagens faciais com suavidade temporal. Pode ser editado e transformado em imagens de celebridades definidas por texto, sem necessidade de ajustes finos adicionais em tempo de teste. O método supera os métodos existentes de avatar de cabeça monocular em análises quantitativas e qualitativas.