Vortrainierte Videomodelle erlernen leistungsfähige Prioritäten zur Generierung von hochwertigem, zeitlich kohärentem Inhalt. Obwohl diese Modelle hervorragende zeitliche Kohärenz erzielen, sind ihre Dynamiken oft durch die kontinuierliche Natur ihrer Trainingsdaten eingeschränkt. Wir vermuten, dass durch die Einbindung der reichen und unbegrenzten Inhaltsvielfalt aus Bilddaten in dieses kohärente zeitliche Rahmenwerk sowohl natürliche Übergänge als auch ein weit umfassenderer dynamischer Bereich erzeugt werden können. Dazu stellen wir iMontage vor, einen einheitlichen Rahmen, der darauf abzielt, ein leistungsfähiges Videomodell in einen All-in-One-Bildgenerator umzuwandeln. Das Framework verarbeitet und erzeugt variable Länge von Bildserien und vereint eine breite Palette von Aufgaben zur Bildgenerierung und -bearbeitung. Um dies zu erreichen, schlagen wir eine elegante und minimal invasive Anpassungsstrategie vor, ergänzt durch einen maßgeschneiderten Datenaufbereitungsprozess und ein spezifisches Trainingsparadigma. Dieser Ansatz ermöglicht es dem Modell, umfassende Fähigkeiten zur Bildmanipulation zu erwerben, ohne seine wertvollen ursprünglichen Bewegungsprioritäten zu beeinträchtigen. iMontage überzeugt bei mehreren etablierten Aufgaben mit vielen Eingaben und vielen Ausgaben, wobei nicht nur eine starke kontextuelle Kohärenz zwischen den Bildern gewahrt bleibt, sondern auch Szenen mit außergewöhnlicher Dynamik generiert werden, die über herkömmliche Grenzen hinausgehen. Besuchen Sie unsere Homepage unter: https://kr1sjfu.github.io/iMontage-web/.