W.A.L.T. 是一种基于变压器的扩散建模方法，用于生成逼真的视频。它使用因果编码器将图像和视频压缩到统一的潜在空间，并采用窗口注意力架构实现联合的空间与时空生成建模。

提供 34 个替代方案