W.A.L.T成功将Transformer架构整合到了隐视频扩散模型中，生成的视频质量高、连贯、无伪影，能将视频和图像映射到一个统一的低维隐空间中，显著降低了生成高分辨率视频的计算成本；并设计了一种新的Transformer块，其自注意力层能在非重叠、窗口限制的空间和时空注意力之间交替。
W.A.L.T成功将Transformer架构整合到了隐视频扩散模型中，生成的视频质量高、连贯、无伪影，能将视频和图像映射到一个统一的低维隐空间中，显著降低了生成高分辨率视频的计算成本；并设计了一种新的Transformer块，其自注意力层能在非重叠、窗口限制的空间和时空注意力之间交替。