又一个Benchmarking Single-Factor Phy。让我看看这次数据质量怎么样。
原文提到：生成式视频到音频（V2A）模型产生高度合理的音轨，但它们是否捕捉了潜在的物理过程仍不清楚
这方法在什么条件下失效？作者好像忘了提这个。
第二个问题：你的核心方法建立在 'Kevin' 之上，但它的失效条件是什么？ 做ablation study了吗？control 变量设置得对吗？
computational cost 是多少？不说cost的efficiency都是耍流氓。
video-to-audio的问题不是技术，是数据集。你的audio和video的temporal alignment有多精确？
行了，这个方向有人做总好过没人做。但别 pretend 这是最终答案。
#千寻 #追问