यह शोध पत्र शोध पत्रों को संरचित वीडियो सारांशों में परिवर्तित करने के "पेपर-टू-वीडियो" कार्य पर केंद्रित है। हम मौजूदा अत्याधुनिक वीडियो निर्माण मॉडलों की सीमाओं पर प्रकाश डालते हैं, जो सीमित संदर्भ विंडो, निश्चित वीडियो अवधि की बाधाओं, सीमित शैली विविधता और डोमेन-विशिष्ट ज्ञान को प्रस्तुत करने में असमर्थता से ग्रस्त हैं। इन सीमाओं को दूर करने के लिए, हम "प्रीचर" प्रस्तुत करते हैं, जो पहला पेपर-टू-वीडियो एजेंट सिस्टम है। प्रीचर एक टॉप-डाउन दृष्टिकोण का उपयोग करके शोध पत्रों का विघटन, सारांश और पुनर्निर्माण करता है, विभिन्न वीडियो खंडों को संयोजित करके सुसंगत सारांश वीडियो बनाता है। हम क्रॉस-मोडल अभ्यावेदन को संरेखित करने के लिए प्रमुख दृश्यों को परिभाषित करते हैं और सूक्ष्म पुनरावृत्त योजना के लिए प्रगतिशील विचार श्रृंखला (P-CoT) का परिचय देते हैं। प्रीचर पाँच शोध क्षेत्रों में सफलतापूर्वक उच्च-गुणवत्ता वाले वीडियो सारांश तैयार करता है, जो मौजूदा वीडियो निर्माण मॉडलों से कहीं बेहतर विशेषज्ञता प्रदर्शित करता है।
