听声移动：改进生成对抗网络在agnostic声码到视频生成中的一致性

深度生成模型已展现出创建逼真音视频内容的能力，有时会受到不同领域驱动。然而，视频生成中的平滑时序动力学仍是具备挑战性的问题。本工作聚焦于通用声码到视频生成，提出三项主要特征以提升生成对抗模型中的图像质量和时序一致性：三级声路由方案、用于扩展声分析的多尺度残差和膨胀循环网络，以及用于视频预测的新型循环和方向卷积层。每项提出的特征在质量和一致性方面均能提升当前最佳方法（SOTA）中常用的基线神经网络结构，其中视频预测层提供额外的时序细化。