Sync-DRAW：使用深度循环注意力架构的自动视频生成

arXiv 2016 25.9 method

TLDR

Sync-DRAW结合VAE与循环注意力机制，实现自动视频生成及文本到视频生成，在Bouncing MNIST、KTH和UCF-101上验证。

评分理由

The paper presents a novel architecture and claims to be the first text-to-video generation approach, with experiments on multiple datasets. However, the abstract lacks quantitative results, comparisons, and explicit connections to world models, limiting support for those keywords.

Read-first 评分解释

综合优先阅读分 25.9，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 4。

可复现性 25%

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：有；代码：无；数据：无；命中信号：代码、数据集

方法质量 25%

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

近期性 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：2016

主题相关性 42%

5.7

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

候选论文

排序敏感性

稳定性：volatile；排名波动范围：74。

关键词评分

video world model

world model

world dynamics prediction

world simulator

generative world model

interactive world model

model-based reinforcement learning world model

资源

论文