本研究提出了一种文本驱动的立体视频生成系统（T-SVG），旨在简化立体视频生成的技术复杂性。该系统通过文本提示生成参考视频，并将其转换为自然立体效果的3D点云序列，从而简化内容创作流程。

该研究提出了一种双向对齐机制，解决立体视频匹配的时间一致性问题。通过BiDAStereo框架和BiDAStabilizer网络，研究构建了新的数据集，显著提升了预测质量，并在多个基准测试中取得领先。