视频生成和视频生成模型的训练方法、装置、设备和介质

本公开提供了一种视频生成和视频生成模型的训练方法、装置、设备和介质，涉及计算机视觉、深度学习、大模型等技术领域，可应用于AIGC、数字人、智能电商等场景。具体实现方案为：获取动作姿态序列和展示有目标对象的参考图像；其中，动作姿态序列中的元素表征根据人体关键点生成的动作姿态；对参考图像进行编码，得到目标对象的外观特征；从动作姿态序列中提取姿态指导特征，并根据姿态指导特征、噪声特征和外观特征，生成目标特征；对目标特征进行解码，得到展示有目标对象的动作驱动视频。