无条件视频生成研究记录（冻结于 2026-08-30）¶
对应正文：无条件视频生成：从边际分布到可审计的动态先验。
本文件记录本轮检索、纳排、证据等级、任务归类冲突和验证结果。它不是把搜索引擎结果数当作领域规模，也不把作者自称的 “unconditional” 自动等同于严格部署合同 \(p(X)\)。
1. 研究问题与判定规则¶
1.1 核心问题¶
- 哪些工作在部署采样时真正从独立随机源生成含首帧在内的完整视频？
- 从 Video Textures/Dynamic Textures 到 GAN、token、masked、diffusion、DiT、flow 的可验证技术转折是什么？
- 2025–2026 年有哪些正式发表的直接证据，哪些只是预印本、条件系统或可迁移组件？
- FVD/IS、precision/recall、density/coverage 和复制审计怎样组成闭环，而不是单指标榜单？
1.2 本轮操作性定义¶
- Direct / strict pure \(p(X)\)： 采样函数不接收类别、域、文本、参考图、视频前缀、动作、状态或样本特定 token；首帧也由模型采样。
- Restricted-domain unconditional： 在固定窄域数据内无样本特定输入；正文允许作为域内无条件证据，但明确写成 \(p(X\mid D=d)\)，不外推开放世界。
- Mechanism/background： 只提供 tokenizer、DiT、diffusion、flow、评价等基础机制，不直接证明视频 pure \(p(X)\)。
- Adjacent conditional： class/T2V/I2V/prediction/world model；只在澄清边界或说明可迁移组件时纳入。
- Self-conditioning： 若历史完全由模型自身从固定 prior 生成，仍是 \(p(X)\) 的因子分解；若历史来自真实数据，就是 prefix-conditioned。
任务归类以部署数据流和官方采样代码优先于摘要中的任务名称。论文结果只在其实际数据、分辨率、长度、条件和评价协议内成立。
2. 检索入口与实际执行¶
检索日期均为 2026-08-30（Asia/Shanghai）。本轮使用四类入口，满足“不依赖单一数据库”的要求：预印本 API、文献元数据 API、正式 proceedings/出版页、官方代码/项目页。
2.1 预印本 API：arXiv¶
| 查询 | API 返回 | 实际筛选 | 用途 |
|---|---|---|---|
all:"unconditional video generation" |
15 | 15 个标题全部查看 | 找直接自称无条件的候选与 2025–2026 边界 |
all:"video generation" AND all:"masked autoregressive" |
4 | 4 个标题全部查看 | 查 MAGI/MarDini 等 masked-AR 路线 |
all:"video generation" AND all:"flow matching" |
93 | 按最新排序前 50 | 查 flow/ODE 是否出现严格 pure \(p(X)\) 新节点 |
精确短语查询中进入全文/官方页复核的直接候选包括：Video Diffusion Models（2204.03458）、RAVEN（2401.06035）、StyleInV（2308.16909）、Generative Video Bi-flow（2503.06364）、Inference-based GAN Video Generation（2512.21776）。其余标题多为预测、条件生成、特定医学/行为域或只在正文中附带无条件分支；未因摘要出现关键词就自动纳入。
Masked-AR 查询返回 CanvasMAR、异构 action-video 工作、MAGI、MarDini。只有 MAGI 同时具备正式 CVPR 2025 页面和本章需要的 UCF-101 无条件实验；其他工作不是本章里程碑所需的严格 pure \(p(X)\) 直接证据，或仍为预印本/条件任务。
Flow-matching 前 50 个结果多数为 T2V、I2V、world model、视频编辑或采样加速。该切片没有提供一个可替代本章现有正式证据链的“开放域 pure \(p(X)\) foundation milestone”。这只是本次查询的结论，不声称穷尽 93 个结果。
2.2 文献元数据 API：OpenAlex、Crossref、Semantic Scholar¶
| 入口 | 查询/响应 | 使用方式 | 限制处理 |
|---|---|---|---|
| OpenAlex | unconditional video generation，1999-01-01 至 2026-08-30；宽泛 count 27,244 |
只作候选发现 | 词法召回极宽，后续请求触发 rate limit；不把 count 写成相关论文数 |
| Crossref | title query unconditional video generation；宽泛 total 862,735 |
DOI/题名交叉核验 | fuzzy total 明显不可解释；仅保留精确题名/DOI 命中 |
| Crossref | title query masked autoregressive video generation |
核验 MAGI DOI/venue 元数据 | 后续请求受 rate limit；venue 仍回到 CVF 官方页确认 |
| Semantic Scholar | unconditional video generation, limit 20 |
尝试独立发现入口 | HTTP 429；记录为失败入口，不声称“零结果” |
元数据入口的原则是“发现候选，不承担关键技术事实”。所有进入正文的架构、条件合同和评价主张都回到论文正文、正式 proceedings、出版商页面或官方代码。
2.3 正式 proceedings / 出版商入口¶
定向检查了以下一手站点：
- NeurIPS Proceedings：VGAN、VQ-VAE、DDPM、VDM、MCVD、LongVideoGAN、IS、precision/recall；
- CVF Open Access：TGAN、MoCoGAN、StyleGAN-V、MAGVIT、MAGI、PVDM、DiT、FVD content bias、replication、Video Bi-flow；
- ECVA：TATS；
- OpenReview：DIGAN、Flow Matching、Latte；
- PMLR：Density/Coverage；
- Springer DOI / version of record：2026 temporal SSM 视频 diffusion；
- ICIP 2025 program record：RAVEN venue 状态。
2.4 官方代码与项目页入口¶
以下官方仓库/项目页用于核对“实际 sample API 喂什么”，不把 README 的宣传语提升为论文结论：
| 系统 | 官方入口 | 核查重点 |
|---|---|---|
| TGAN | pfnet-research/tgan | 作者实现存在、训练/采样路线 |
| VideoGPT | wilson1yan/VideoGPT | n_cond_frames=0 与可选 class_cond 是不同开关 |
| MAGVIT | google-research/magvit | 代码归档状态；仓库说明 model weights 未获发布批准 |
| Latte | Vchitect/Latte | 类别条件与无条件配置/脚本并存 |
| MAGI | magivideogen.github.io | 项目样例与论文链接；未发现同页公开官方代码链接 |
| Video Bi-flow | ryushinn/ode-video | 采样从测试 split 读取首帧，故严格合同为 prefix/first-frame conditional |
| SSM Meets VDM | shim0114/SSM-Meets-Video-Diffusion-Models | 低分辨率配置、长序列任务和代码可用性 |
| Sora | OpenAI technical report | 官方公开条件接口与技术范围，不用二手榜单 |
3. 纳入、排除与证据等级¶
3.1 纳入标准¶
至少满足一项：
- 提供 direct pure/restricted-domain \(p(X)\) 的新训练或采样能力；
- 是 GAN、VQ/token、masked、diffusion、DiT、flow 的必要祖先机制；
- 是评测/记忆化的原始方法或直接视频审计；
- 是容易被误列为无条件里程碑、必须由一手证据纠正的邻接系统；
- 对 2025–2026 边界提供正式发表或明确 preprint 状态。
每条进入正文的里程碑必须能回答：输入合同是什么、能力转折是什么、数据/长度/分辨率边界是什么、证据是什么级别。
3.2 排除标准¶
- 仅 T2V、I2V、V2V、插值、视频编辑、动作条件预测或 world model，且不承担边界教学功能；
- 真实首帧/前缀是采样必需输入，却没有独立 \(p(x_1)\) 的完整系统；
- 只提供精选 demo、没有论文/官方技术说明支撑可比较结论；
- survey、媒体报道、博客排行榜用于替代原论文；
- 相同方法的重复 arXiv/proceedings 记录；正式版优先；
- 模型名含 “foundation / world / diffusion / flow” 但没有本章严格任务证据；
- 只报告静态图像指标或不能恢复视频采样合同。
3.3 证据等级¶
| 等级 | 定义 | 正文允许承担的主张 |
|---|---|---|
| E1 | 正式 proceedings / 期刊 version of record / 原始方法论文 | 架构、实验范围、正式 venue、论文明确局限 |
| E2 | arXiv/技术报告，无本轮可核正式版 | 探索方向与作者报告结果；必须标 preprint |
| E3 | 作者/机构官方代码或项目页 | API、配置、代码/权重可用性；不能单独证明性能 |
| E4 | 官方公司技术报告/产品说明 | 产品/系统自述与公开条件接口；不作为独立 benchmark |
| E5 | 元数据 API/搜索结果 | 发现候选、核对 DOI；不承担技术结论 |
4. 正文引用闭环与分类登记¶
下表的 Ref 与正文参考文献编号一一对应。Direct? 指是否直接支持严格或已声明窄域的无条件视频生成，而不是“这篇论文是否重要”。
| Ref | 证据 | 等级 | Direct? | 本章承担的事实 |
|---|---|---|---|---|
| 1 | Video Textures, SIGGRAPH 2000 | E1 | 否 | 给定 source 内重排，不是 dataset-level \(p(X)\) |
| 2 | Dynamic Textures, IJCV 2003 | E1 | 窄域 | 线性动态随机纹理源 |
| 3 | VGAN, NeurIPS 2016 | E1 | 是 | 从噪声一次生成完整短 clip；背景/前景拆分 |
| 4 | TGAN, ICCV 2017 + code | E1+E3 | 是 | temporal latent generator 与 image generator 分工 |
| 5 | MoCoGAN, CVPR 2018 | E1 | 是 | content/motion latent 与双 critic 归纳偏置 |
| 6 | DVD-GAN, arXiv 2019 | E2 | 否 | class embedding；双判别器尺度；UCF 记忆化警告 |
| 7 | DIGAN, ICLR 2022 | E1 | 是 | 坐标隐式连续视频与 dynamics-aware critic |
| 8 | StyleGAN-V, CVPR 2022 | E1 | 是 | 连续时间与稀疏训练；不等于无限期语义一致 |
| 9 | LongVideoGAN, NeurIPS 2022 | E1 | 是 | 长低分辨率 + 短高分辨率分层生成 |
| 10 | RAVEN, arXiv + ICIP 2025 record | E1/E2 | 窄域 | 高效混合 3D 表示；formal program 状态 |
| 11 | Inference-based GAN Video Generation | E2 | 是 | 2025 GAN 探索；冻结日仍为 preprint |
| 12 | VQ-VAE, NeurIPS 2017 | E1 | 机制 | 离散 codebook + learned prior 基础 |
| 13 | VideoGPT, arXiv + code | E2+E3 | 可配置 | VQ 视频 token + AR；n_cond_frames=0 可核 |
| 14 | TATS, ECCV 2022 | E1 | 是 | 3D-VQGAN + 时间敏感 Transformer 长续写 |
| 15 | MAGVIT, CVPR 2023 + code | E1+E3 | 相关表否 | masked 并行生成；UCF 表为 class conditional |
| 16 | MAGVIT-v2, ICLR 2024 | E1 | 机制 | tokenizer 质量改变后续生成上限 |
| 17 | MAGI, CVPR 2025 + project | E1+E3 | 是 | UCF 无条件 masked-frame / causal-time 实验 |
| 18 | DDPM, NeurIPS 2020 | E1 | 机制 | diffusion 目标/采样祖先 |
| 19 | Video Diffusion Models, NeurIPS 2022 | E1 | 是 | UCF/Kinetics 无条件分支与 prediction 适配分开 |
| 20 | MCVD, NeurIPS 2022 | E1 | 是/多任务 | mask 合同切换 prediction/interpolation/unconditional |
| 21 | PVDM, CVPR 2023 | E1 | 是 | projected latent diffusion 的无条件视频生成 |
| 22 | DiT, ICCV 2023 | E1 | 机制 | 图像 latent Transformer scaling 祖先，不是视频直接结果 |
| 23 | Latte, TMLR 2025 + code | E1+E3 | 是/可配置 | factorized video DiT 的无条件与类别条件配置 |
| 24 | Flow Matching, ICLR 2023 | E1 | 机制 | 连续 flow/ODE 训练框架 |
| 25 | Video Bi-flow, ICCV 2025 + code | E1+E3 | 否，需首帧 | 官方 sampling path 读取 first frame |
| 26 | SSM Meets VDM, NGC 2026 + code | E1+E3 | 窄域 | 低分辨率 256 帧、temporal SSM 效率探针 |
| 27 | FVD original | E2 | 评价 | FVD 定义与视频 feature 分布距离 |
| 28 | Inception Score original, NeurIPS 2016 | E1 | 评价 | IS 定义与分类器依赖 |
| 29 | PRD, NeurIPS 2018 | E1 | 评价 | precision/recall 分离 fidelity/diversity |
| 30 | Improved P/R, NeurIPS 2019 | E1 | 评价 | 局部流形 support 估计 |
| 31 | Density/Coverage, ICML 2020 | E1 | 评价 | 局部密度和覆盖指标 |
| 32 | FVD content bias, CVPR 2024 | E1 | 评价 | 时间扰动敏感度不足的直接审计 |
| 33 | Video replication, WACV 2025 | E1 | 评价 | 无条件/条件视频 diffusion 的时空复制 |
| 34 | Sora official report | E4 | 否 | 条件 video system；只能作为邻接技术 |
| 35 | Cosmos official paper | E2/E4 | 否 | physical-AI/world family；不是 pure benchmark |
5. 关键冲突的逐项处理¶
5.1 DVD-GAN¶
论文生成器输入包含随机 \(z\) 与 learned class embedding；Kinetics-600 主结果是类别条件。处理：正文保留其“空间/时间双判别器的尺度设计”，但 milestone 表明确标 class conditional，不是 pure \(p(X)\)。论文对 UCF 训练复制的讨论同时进入评价章节。
5.2 MAGVIT 与 MAGVIT-v2¶
MAGVIT 把多任务放在一个框架中，但 UCF generation 与 Kinetics prediction 的条件不同。处理：不把多任务表整块称为无条件结果；MAGVIT-v2 只承担 tokenizer 机制转折，不承担 pure unconditional milestone。
5.3 MAGI¶
对 CVPR PDF 的方法和实验页进行了逐页检查：帧内 masked、帧间 causal；UCF-101 表使用 2,048 样本；不同 VAE 显著改变 FVD；超过 100 帧的展示主要位于简单/首帧条件场景，非周期运动有退化。处理：肯定其 formal pure-UCF 实验，但不把条件长样例扩写成“解决长期无条件生成”。
5.4 Video Bi-flow¶
论文用“unconditional”描述部分设置，但官方代码的 sampling 说明要求首帧由数据提供或另行生成。处理：以部署路径优先，写为 \(p(x_{2:T}\mid x_1)\)。只有未来若补齐可独立采样并联合评估的 \(p(x_1)\)，才能形成完整 \(p(X)\)。
5.5 Sora 与 Cosmos¶
Sora 的公开报告聚焦文本/媒体条件视频与 world-simulator 讨论；Cosmos 是 physical-AI world foundation 平台/家族。处理：二者只出现在任务边界和邻接组件讨论，不进入 direct unconditional milestone。公开的大模型规模、条件能力或“world”命名都不能替代 pure \(p(X)\) 采样证据。
5.6 null condition / classifier-free guidance¶
条件模型的 null embedding 是训练分布中的一个分支，可能带 condition dropout 与 guidance 偏置。处理：正文写成 \(p_\theta(X\mid\varnothing)\)，要求与专门训练的 \(p_\theta(X)\) 分开报告；不把空 prompt 当作自动任务转换。
6. 明确排除项¶
以下类别没有作为 direct milestone 计入，但必要时可在别章讨论：
- Stable Video Diffusion、Lumiere、AnimateDiff、Open-Sora 等以 I2V/T2V 或条件接口为主要证据的系统；
- 未来帧预测、插值、视频补全、视频编辑与 reference-driven identity generation；
- action-conditioned prediction、robotics world model、game/physical simulator；
- 仅需真实首帧的 rollout（包括当前官方 Video Bi-flow sampling path）；
- StyleInV 等未给本章带来独立、正式、可验证转折且会重复连续 GAN 叙事的候选；
- CanvasMAR、MarDini 等本轮查询命中的预印本/条件路线，因 formal/direct 条件不足未提升为里程碑；
- Sora/Cosmos 的模型家族名称，不作为 pure unconditional benchmark；
- 二手 survey、博客、leaderboard、媒体报道，不用来支持原始架构/性能事实。
7. 数据与评价证据的保守解释¶
- 不跨论文直接排序 FVD，除非 encoder/checkpoint、\(T\)/FPS/分辨率、样本数、真实 split 和预处理一致。
- MAGI 的 2,048-sample 表只作为该论文合同内结果；不与 10,000-sample 或 train-set FVD 混排。
- PVDM、DVD-GAN 等论文采用的 UCF/Kinetics 划分和 preprocessing 可能不同；正文不抄单一数值榜单。
- IS 不比较真实分布且可被记忆化提高；只能作为域适配 classifier 下的诊断。
- Precision/recall 与 density/coverage 原始方法主要针对图像 embedding；视频应用必须新增 video feature 与时间扰动 sanity check。
- 长尾分析需预先分层并做 macro 指标；没有标签时采用冻结 embedding 聚类并人工复核，不事后为某模型挑分组。
- 复制审计同时查训练集和 held-out 集，覆盖单帧、局部 motion、整 clip 以及轻微时空变换。
8. 搜索覆盖与不可声称内容¶
- arXiv 三组查询存在重叠，targeted proceedings 又来自 citation chasing；因此不输出伪 PRISMA “唯一论文总数”。
- OpenAlex/Crossref 的宽泛 totals 是检索器词法行为，不代表相关文献规模。
- Semantic Scholar 429 代表入口不可用，不代表没有文献。
- flow query 只筛了按最新排序前 50/93；结论限定为“该切片没有发现直接开放域 pure milestone”。
- 正式 venue、代码存在与模型权重可用是三个不同事实；例如 MAGVIT 仓库存在但权重发布受限。
- 截止日结论是本轮证据审计结果，不声称证明某个未公开工业系统绝对没有无条件能力。
9. 交付验证记录¶
2026-08-30 实际执行结果：
npx --yes markdownlint-cli2 docs/tasks/unconditional-video-generation.md sources/research_20260830_unconditional_video.md，版本markdownlint-cli2 v0.23.2/markdownlint v0.41.1，结果 0 issues。- Python 引用审计：正文 35 个 citation numbers、35 个唯一 anchors，范围均为 1–35；missing、unused、duplicate 均为空。
- 本地链接审计：正文、研究记录与教学图的相对链接均可解析到现存文件；
git diff --check通过。 - 外链 GET 检查：去重后 46 个 URL 中 44 个返回
<400；ACM DOI 跳转页与 OpenAI Sora 页面各返回 403（反爬/访问限制），没有其他坏链。两项均保留官方 canonical URL，不把机器 403 误记为文献不存在。 - Mermaid CLI
11.16.0配合本机 Google Chrome，两个 Mermaid block 均实际渲染为临时 SVG：约 28 KB 与 41 KB；SVG 含对应<title>/<desc>。临时文件位于/tmp，未纳入仓库。
实际渲染采用独立随机输入之外的纯文档解析，不改变正文。最终复跑 markdownlint 和引用审计，以确认作者元数据修正没有引入回归。
10. 图像资产记录¶
- 项目文件：
assets/diagrams/unconditional-video-evidence-chain.png - 生成提示核心：白底、16:9、无模型名；主链为“无外部条件 → 学习视频边际分布 → 采样动态片段 → 统一输出合同 → 多维评测”，并将文本、首帧或动作输入标为任务越界，将质量、覆盖、长尾和未复制拆开。
- 像素尺寸：1672 × 941，RGB PNG。
- SHA-256：
3992c5637ef25fe2e42d821f6a710082de7ceb15ec0c477a2224e864e09cbf42。 - 视觉回读：五步证据链、越界出口、四个评测轴和三项固定条件均清晰；没有模型名、分数或与正文冲突的能力主张。正文同时保留 Mermaid 与顺序化文字替代。
