VideoGen-of-Thought (VGoT)는 단일 문장으로부터 다중 샷 비디오를 자동으로 합성하는 단계별 프레임워크입니다. 기존 모델들이 단편적인 시각적 역동성과 단절된 스토리라인으로 인해 일관성 있는 다중 샷 내러티브를 생성하는 데 어려움을 겪는 문제를 해결하기 위해, 내러티브 단편화, 시각적 불일치, 전환 아티팩트라는 세 가지 핵심 과제를 체계적으로 다룹니다. 내러티브 단편화 문제는 동적인 스토리라인 모델링을 통해 사용자 프롬프트를 간결한 샷 설명으로 변환하고, 캐릭터 역동성, 배경 연속성, 관계 발전, 카메라 움직임, HDR 조명 등 다섯 가지 영역에 걸쳐 상세한 영화적 사양으로 구체화하여 논리적인 내러티브 진행을 자체 검증합니다. 시각적 불일치 문제는 정체성 인식 교차 샷 전파를 통해 정체성을 유지하는 동시에 스토리라인에 따라 특징 변화(표정, 노화)를 허용하는 IPP(Identity-Preserving Portrait) 토큰을 생성합니다. 전환 아티팩트 문제는 인접 잠재 전환 메커니즘을 통해 경계 인식 재설정 전략을 구현하여 인접 샷의 특징을 전환 지점에서 처리함으로써 시각적 흐름을 매끄럽게 유지하면서 내러티브 연속성을 보존합니다. VGoT는 샷 내 얼굴 일관성에서 20.4%, 스타일 일관성에서 17.4% 향상된 성능을 보이며, 교차 샷 일관성은 100% 이상 향상되고 수동 조정은 10배 감소합니다.
