DreamFactory：基于多智能体框架的多场景长视频生成突破

当前视频生成模型在创建短片 realistic clips 方面表现优异，但在处理长篇多场景视频时仍面临挑战。我们提出了 \texttt{DreamFactory}，一个基于大语言模型的框架，用于解决这一难题。\texttt{DreamFactory} 利用多智能体协作原理和关键帧迭代设计方法，确保长视频中的一致性与风格。它运用链式思维（Chain of Thought, COT）以解决大语言模型固有的不确定性。\texttt{DreamFactory} 能够生成长篇、风格连贯且结构复杂的视频。评估这些长篇视频内容本身就面临挑战，我们提出了诸如跨场景人脸距离得分（Cross-Scene Face Distance Score）和跨场景风格一致性得分（Cross-Scene Style Consistency Score）等新型指标。为进一步推动该领域研究，我们贡献了包含超过150个人工评分视频的多场景视频数据集（Multi-Scene Videos Dataset）。