大模型时代，数据极为关键。而开源、高质量、大规模的视频数据以及对应的视频描述是稀缺的。本次SPP分享将围绕两大创新成果展开深入探讨。其一是将介绍一个面向高质量视频生成的数据集OpenVid-1M，它不仅是百万级的高质量文生视频数据集，最高支持1080p视频生成，还提出了一种多模态视频DiT模型结构（MVDiT），该数据集与模型已成功应用于视频生成、复原、插帧以及3D/4D生成等多个相关任务。其二是介绍一个实例级精细视频描述方法 InstanceCap，作为首个用于文本到视频生成的实例感知结构化描述方法，InstanceCap 通过将全局视频转化为实例，提升了对局部实例的准确描述能力；同时构建的InstanceVid数据集，涵盖2.2万个视频，有效增强了描述与视频之间的保真度。欢迎关注本期SPP：5月7日（本周三）19:30—21:00。