Paper2Video は、シンガポール国立大学が 2025 年に公開した、論文とビデオのペアリングに関する最初のベンチマーク データセットです。Paper2Video: 科学論文からの自動ビデオ生成「」は、学術論文からプレゼンテーション ビデオ (スライド、字幕、音声、スピーカー アバターを含む) を自動生成するタスクの標準的なベンチマークと評価リソースを提供することを目的としています。

このデータセットには、101組の論文と動画が含まれています。各論文は平均約28.7ページ、約13,300語、44.7図で構成されています。各動画の長さは平均約6分15秒で、最大14分までで、平均16枚のスライドが含まれています。論文と動画に加えて、各サンプルには論文のメタデータ（タイトル、リンク、会議、年など）、講演者の画像、音声サンプルが含まれています。

データ構成

• メタデータ ファイル: 各サンプルの論文タイトル (paper)、論文リンク (paper_link)、プレゼンテーション ビデオ リンク (presentation_link)、会議名 (conference)、年 (year) などのフィールドが含まれます。
• 作成者 ID ファイル。パーソナライズされたスピーカー合成、スピーカー レンダリング、アバター ビデオ生成などのタスクに使用できます。
  • 各著者は識別画像（例：ref_img.png）を含める必要があります。
  • 音声サンプル（ref_audio.wavなど）