IRC-GAN：用于文本到视频生成的内省循环卷积GAN

arXiv 2019 32.7 method

TLDR

提出IRC-GAN，用循环卷积生成器与互信息内省提升文本到视频生成的视觉质量和语义一致性。

评分理由

The paper presents a novel GAN architecture for text-to-video generation, with strengths in using recurrent transconvolutional layers and mutual information for semantic alignment, supported by experiments on three datasets. However, it does not address world models or dynamics prediction, making it largely irrelevant to the specified keywords.

Read-first 评分解释

综合优先阅读分 32.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 0。

引用影响力 18%

88.2

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.88161912

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：数据集、实验、结果

引用速度 12%

39.9

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：6.12

近期性 6%

36.8

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2019

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：无；代码：无；数据：无；命中信号：数据集

主题相关性 29%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

研究版图角色

基础论文

排序敏感性

稳定性：volatile；排名波动范围：392。

关键词评分

world model

world simulator

generative world model

interactive world model

video world model

world dynamics prediction

model-based reinforcement learning world model