본 논문은 텍스트-비디오(T2V) 생성 모델 학습에 필요한 고품질 비디오-텍스트 쌍의 중요성을 강조하며, T2V 모델에 맞춰 비디오 캡션을 최적화하는 포괄적인 프레임워크인 VC4VG (Video Captioning for Video Generation)를 소개한다. 캡션 내용을 T2V 관점에서 분석하고, 비디오 재구성에 필요한 필수 요소를 여러 차원으로 분해하여 체계적인 캡션 디자인 방법론을 제시한다. 또한, T2V에 특화된 미세 조정, 다차원, 필요도 평가 지표를 갖춘 새로운 벤치마크인 VC4VG-Bench를 구축한다. 실험을 통해 캡션 품질 향상과 비디오 생성 성능 간의 강한 상관관계를 입증한다.
