# 空格与稀疏格逐项审查

稀疏定义：主贡献计数1–2；空格为0。以下逐格判断是受控论文池的解释，不是全领域新颖性结论。没有一格可仅凭本池证明“做不了”或“不值得做”；有实现困难的格仍需要成本和可验证收益判断。3篇任务不确定不参与机会格判断。

|任务|贡献|篇数|判断|依据与边界|
|---|---|---|---|---|
|文本或图像生成视频|表示|0|主次计数造成|[推断] 基础模型中的3D VAE作为次贡献，被架构主格吸收；不是表示研究不存在。 依据：[P010 · HunyuanVideo: A Systematic Framework For Large Video Generative Models](https://arxiv.org/html/2412.03603)；[P060 · Physical Simulator In-the-Loop Video Generation](https://arxiv.org/html/2603.06408)；[P064 · CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer](https://arxiv.org/html/2408.06072)|
|文本或图像生成视频|条件注入|0|覆盖/边界不足；价值待任务验证|[推断] 文本/图像融合常并入基础架构；新增显式控制又会移到条件控制任务。 依据：[P003 · VideoComposer: Compositional Video Synthesis with Motion Controllability](https://arxiv.org/html/2306.02018)；[P004 · SparseCtrl: Adding Sparse Controls to Text-to-Video Diffusion Models](https://arxiv.org/html/2311.16933)；[P010 · HunyuanVideo: A Systematic Framework For Large Video Generative Models](https://arxiv.org/html/2412.03603)|
|文本或图像生成视频|记忆与上下文|0|主次计数造成|[推断] Self Forcing/Pyramid的cache或历史压缩是次贡献；长记忆专门工作又移入长视频任务。 依据：[P025 · Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion](https://arxiv.org/html/2506.08009)；[P055 · From Slow Bidirectional to Fast Autoregressive Video Diffusion Models](https://arxiv.org/html/2412.07772)；[P066 · Pyramidal Flow Matching for Efficient Video Generative Modeling](https://arxiv.org/html/2410.05954)|
|文本或图像生成视频|推理时方法|2|已有人做；本池稀疏|[推断] 搜索/模拟验证可行，但采样预算和reward偏差限制收益。 依据：[P060 · Physical Simulator In-the-Loop Video Generation](https://arxiv.org/html/2603.06408)；[P071 · Inference-Time Text-to-Video Alignment with Diffusion Latent Beam Search](https://arxiv.org/html/2501.19252)|
|文本或图像生成视频|数据|2|已有人做；本池稀疏|[推断] 数据价值可做；本池仅包含开放高质量数据与偏好数据这两种主产出。 依据：[P021 · SafeSora: Towards Safety Alignment of Text2Video Generation via a Human Preference Dataset](https://arxiv.org/html/2406.14477)；[P065 · OpenVid-1M: A Large-Scale High-Quality Dataset for Text-to-video Generation](https://arxiv.org/html/2407.02371)|
|文本或图像生成视频|评测|2|已有人做；本池稀疏|[推断] 两套通用/组合benchmark已证明可做；不覆盖全部后果保持。 依据：[P020 · VBench: Comprehensive Benchmark Suite for Video Generative Models](https://arxiv.org/html/2311.17982)；[P057 · T2V-CompBench: A Comprehensive Benchmark for Compositional Text-to-video Generation](https://arxiv.org/html/2407.14505)|
|条件控制生成|表示|2|已有人做；本池稀疏|[推断] 结构化条件可做；本池体现空间分解与caption两类表示。 依据：[P008 · MIMO: Controllable Character Video Synthesis with Spatial Decomposed Modeling](https://arxiv.org/html/2409.16160)；[P014 · Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation](https://arxiv.org/html/2503.24379)|
|条件控制生成|架构与生成范式|1|已有人做；本池稀疏|[推断] 大多数控制工作复用基础生成器；新架构收益需与adapter成本比较。 依据：[P001 · Video-to-Video Synthesis](https://arxiv.org/html/1808.06601)|
|条件控制生成|记忆与上下文|0|覆盖/边界不足；价值待任务验证|[推断] 长期历史常使论文转归世界/长视频；单次约束注入不必依赖长期记忆。 依据：[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)；[P044 · WorldMem: Long-term Consistent World Simulation with Memory](https://arxiv.org/html/2504.12369)；[P001 · Video-to-Video Synthesis](https://arxiv.org/html/1808.06601)|
|条件控制生成|训练信号|2|已有人做；本池稀疏|[推断] 混合条件训练与主体/运动适配已可行；不能由2篇推断无人做。 依据：[P013 · OmniHuman-1: Rethinking the Scaling-Up of One-Stage Conditioned Human Animation Models](https://arxiv.org/html/2502.01061)；[P016 · VideoMage: Multi-Subject and Motion Customization of Text-to-Video Diffusion Models](https://arxiv.org/html/2503.21781)|
|条件控制生成|推理时方法|1|已有人做；本池稀疏|[推断] PhysGen证明组合现成模块可行；但刚体模拟范围和控制代价是限制。 依据：[P007 · PhysGen: Rigid-Body Physics-Grounded Image-to-Video Generation](https://arxiv.org/html/2409.18964)|
|条件控制生成|数据|0|主次计数造成|[推断] Any2Caption/WorldCanvas含新数据次贡献；主格为空是计数口径而非无数据工作。 依据：[P014 · Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation](https://arxiv.org/html/2503.24379)；[P047 · The World is Your Canvas: Painting Promptable Events with Reference Images, Trajectories, and Text](https://arxiv.org/html/2512.16924)；[P056 · Mind the Time: Temporally-Controlled Multi-Event Video Generation](https://arxiv.org/html/2412.05263)|
|条件控制生成|评测|0|覆盖/边界不足；价值待任务验证|[推断] 控制论文含自建控制测试；通用相机/世界benchmark在3D任务计数。 依据：[P020 · VBench: Comprehensive Benchmark Suite for Video Generative Models](https://arxiv.org/html/2311.17982)；[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)；[P001 · Video-to-Video Synthesis](https://arxiv.org/html/1808.06601)|
|编辑与修改|表示|1|已有人做；本池稀疏|[推断] VideoCoF说明结构化编辑中间表示可行；mask是否足够表达后果仍待验证。 依据：[P059 · VideoCoF: Unified Video Editing with Temporal Reasoner](https://arxiv.org/html/2512.07469)|
|编辑与修改|架构与生成范式|1|已有人做；本池稀疏|[推断] Tune-A-Video体现架构适配；统一编辑器的架构常作为次贡献。 依据：[P019 · Tune-A-Video: One-Shot Tuning of Image Diffusion Models for Text-to-Video Generation](https://arxiv.org/html/2212.11565)|
|编辑与修改|记忆与上下文|1|已有人做；本池稀疏|[推断] PermaVid已经做选择性失效；尚需区别已知编辑与未知观测冲突。 依据：[P074 · PermaVid: Consistent Video Generation Across Edits via Disentangled Context Memory](https://arxiv.org/html/2606.16449)|
|编辑与修改|训练信号|1|已有人做；本池稀疏|[推断] Dreamix是主贡献样本，其他编辑器训练信号列为次贡献；并非监督研究空白。 依据：[P002 · Dreamix: Video Diffusion Models are General Video Editors](https://arxiv.org/html/2302.01329)|
|编辑与修改|推理时方法|0|主次计数造成|[推断] Dreamix/Tune-A-Video含推理组件；纯冻结模型的主要编辑算法在此池主抽样不足。 依据：[P002 · Dreamix: Video Diffusion Models are General Video Editors](https://arxiv.org/html/2302.01329)；[P019 · Tune-A-Video: One-Shot Tuning of Image Diffusion Models for Text-to-Video Generation](https://arxiv.org/html/2212.11565)|
|编辑与修改|评测|0|主次计数造成|[推断] VACE/UNIC/VideoCoF/EditWorld均含benchmark次贡献；零主格不能称没人评测。 依据：[P052 · Precise Editing and Flexible Referencing for Interactable Worlds](https://arxiv.org/html/2609.34470)；[P059 · VideoCoF: Unified Video Editing with Temporal Reasoner](https://arxiv.org/html/2512.07469)；[P067 · Unified In-Context Video Editing](https://arxiv.org/html/2506.04216)|
|长视频与多镜头叙事|表示|0|覆盖/边界不足；价值待任务验证|[推断] 多镜头registry/布局已有EntityBench baseline线索；主表示论文未被本池选入。 依据：[P008 · MIMO: Controllable Character Video Synthesis with Spatial Decomposed Modeling](https://arxiv.org/html/2409.16160)；[P014 · Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation](https://arxiv.org/html/2503.24379)；[P053 · WorldAttention: An Efficient Attention Architecture for Interactive Video World Models](https://arxiv.org/pdf/2609.34606)|
|长视频与多镜头叙事|条件注入|0|覆盖/边界不足；价值待任务验证|[推断] MinT的时间条件归条件控制；长叙事条件设计的空格受任务边界影响。 依据：[P003 · VideoComposer: Compositional Video Synthesis with Motion Controllability](https://arxiv.org/html/2306.02018)；[P004 · SparseCtrl: Adding Sparse Controls to Text-to-Video Diffusion Models](https://arxiv.org/html/2311.16933)；[P053 · WorldAttention: An Efficient Attention Architecture for Interactive Video World Models](https://arxiv.org/pdf/2609.34606)|
|长视频与多镜头叙事|架构与生成范式|1|已有人做；本池稀疏|[推断] WorldAttention为直接实例；数据量小，不能作全领域稀缺结论。 依据：[P053 · WorldAttention: An Efficient Attention Architecture for Interactive Video World Models](https://arxiv.org/pdf/2609.34606)|
|长视频与多镜头叙事|记忆与上下文|1|已有人做；本池稀疏|[推断] LongLive为主样本，EntityMem为次贡献；跨事件因果保持仍需新测试。 依据：[P069 · LongLive: Real-time Interactive Long Video Generation](https://arxiv.org/html/2509.22622)|
|长视频与多镜头叙事|训练信号|0|主次计数造成|[推断] LongLive含长序列训练次贡献；主矩阵把它放在memory并不否认训练方法。 依据：[P069 · LongLive: Real-time Interactive Long Video Generation](https://arxiv.org/html/2509.22622)|
|长视频与多镜头叙事|推理时方法|0|主次计数造成|[推断] EntityMem不需额外训练，属次推理；跨镜头搜索仍需预算/验证器。 依据：[P075 · EntityBench: Towards Entity-Consistent Long-Range Multi-Shot Video Generation](https://arxiv.org/html/2605.15199)|
|长视频与多镜头叙事|数据|0|主次计数造成|[推断] EntityBench含数据次贡献；难点是长序列实体/状态标注成本而非不可做。 依据：[P075 · EntityBench: Towards Entity-Consistent Long-Range Multi-Shot Video Generation](https://arxiv.org/html/2605.15199)|
|长视频与多镜头叙事|评测|1|已有人做；本池稀疏|[推断] EntityBench证明可做；长程因果与身份不能合成一个相似性分数。 依据：[P075 · EntityBench: Towards Entity-Consistent Long-Range Multi-Shot Video Generation](https://arxiv.org/html/2605.15199)|
|动作条件的预测与交互世界模型|表示|2|已有人做；本池稀疏|[推断] Genie/AdaWorld以latent action建立可迁移动作表示，已证明可做。 依据：[P040 · Genie: Generative Interactive Environments](https://arxiv.org/html/2402.15391)；[P043 · AdaWorld: Learning Adaptable World Models with Latent Actions](https://arxiv.org/html/2503.18938)|
|动作条件的预测与交互世界模型|条件注入|2|已有人做；本池稀疏|[推断] Hand2World/Ctrl-World是直接样本；控制接口必须和真实动作语义对齐。 依据：[P017 · Hand2World: Autoregressive Egocentric Interaction Generation via Free-Space Hand Gestures](https://arxiv.org/html/2602.09600)；[P045 · Ctrl-World: A Controllable Generative World Model for Robot Manipulation](https://arxiv.org/html/2510.10125)|
|动作条件的预测与交互世界模型|记忆与上下文|2|已有人做；本池稀疏|[推断] WorldMem/Echo-Memory提供构建与受控分析；尚未覆盖可靠的矛盾观察裁决。 依据：[P044 · WorldMem: Long-term Consistent World Simulation with Memory](https://arxiv.org/html/2504.12369)；[P050 · Echo-Memory: A Controlled Study of Memory in Action World Models](https://arxiv.org/html/2606.09803)|
|动作条件的预测与交互世界模型|推理时方法|0|主次计数造成|[推断] Horizon Imagination含推理调度次贡献；ActionSplice还训练corrector，不能误称完全training-free。 依据：[P068 · Horizon Imagination: Efficient On-Policy Rollout in Diffusion World Models](https://arxiv.org/html/2602.08032)|
|动作条件的预测与交互世界模型|数据|0|主次计数造成|[推断] UniSim/Matrix-Game含数据次贡献；有数据工作但主贡献归训练。 依据：[P017 · Hand2World: Autoregressive Egocentric Interaction Generation via Free-Space Hand Gestures](https://arxiv.org/html/2602.09600)；[P038 · Learning Interactive Real-World Simulators](https://arxiv.org/html/2310.06114)；[P041 · Diffusion Models Are Real-Time Game Engines](https://arxiv.org/html/2408.14837)|
|动作条件的预测与交互世界模型|评测|0|主次计数造成|[推断] Echo-Memory、WorldReward有评测次贡献，WorldReasonBench任务不确定；不是没有world-model评测。 依据：[P050 · Echo-Memory: A Controlled Study of Memory in Action World Models](https://arxiv.org/html/2606.09803)；[P054 · WorldReward: Reward Modeling for Camera-Conditioned World Models](https://arxiv.org/html/2609.03952)|
|3D/4D 一致生成|表示|0|主次计数造成|[推断] Gen3C的3D cache列为次表示；ReCamMaster受源视频保持契约而归编辑。 依据：[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)；[P062 · VMem: Consistent Interactive Video Scene Generation with Surfel-Indexed View Memory](https://arxiv.org/html/2506.18903)|
|3D/4D 一致生成|条件注入|0|主次计数造成|[推断] Gen3C/VMem含条件注入次贡献；单纯camera adapter在条件控制行。 依据：[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)；[P062 · VMem: Consistent Interactive Video Scene Generation with Surfel-Indexed View Memory](https://arxiv.org/html/2506.18903)|
|3D/4D 一致生成|架构与生成范式|0|覆盖/边界不足；价值待任务验证|[推断] 本行只有3篇且偏memory；无法断言几何生成不需要新架构。 依据：[P001 · Video-to-Video Synthesis](https://arxiv.org/html/1808.06601)；[P010 · HunyuanVideo: A Systematic Framework For Large Video Generative Models](https://arxiv.org/html/2412.03603)；[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)|
|3D/4D 一致生成|记忆与上下文|2|已有人做；本池稀疏|[推断] 两个直接实例；重访纹理提升不必然等于完整动态几何正确。 依据：[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)；[P062 · VMem: Consistent Interactive Video Scene Generation with Surfel-Indexed View Memory](https://arxiv.org/html/2506.18903)|
|3D/4D 一致生成|训练信号|0|覆盖/边界不足；价值待任务验证|[推断] 几何监督与一致性训练有明确任务意义；本池小样本且偏检索方法，不能判断没人做。 依据：[P002 · Dreamix: Video Diffusion Models are General Video Editors](https://arxiv.org/html/2302.01329)；[P013 · OmniHuman-1: Rethinking the Scaling-Up of One-Stage Conditioned Human Animation Models](https://arxiv.org/html/2502.01061)；[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)|
|3D/4D 一致生成|推理时方法|0|覆盖/边界不足；价值待任务验证|[推断] 物理重建/模拟推理PSIVG在T2V行；几何缓存检索也作为memory主贡献。 依据：[P007 · PhysGen: Rigid-Body Physics-Grounded Image-to-Video Generation](https://arxiv.org/html/2409.18964)；[P060 · Physical Simulator In-the-Loop Video Generation](https://arxiv.org/html/2603.06408)；[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)|
|3D/4D 一致生成|数据|0|主次计数造成|[推断] WorldScore及ReCamMaster含相机/多视图数据；主任务与主次计数使此格为零。 依据：[P063 · WorldScore: A Unified Evaluation Benchmark for World Generation](https://arxiv.org/html/2504.00983)|
|3D/4D 一致生成|评测|1|已有人做；本池稀疏|[推断] WorldScore为直接实例；公共协议仍缺复杂遮挡/机制变化测试。 依据：[P063 · WorldScore: A Unified Evaluation Benchmark for World Generation](https://arxiv.org/html/2504.00983)|
|视频作为推理或回答|表示|0|覆盖/边界不足；价值待任务验证|[推断] 规则状态/棋盘解析用于验证，未被本文作者作为主表示贡献；不能由此认定没有价值。 依据：[P008 · MIMO: Controllable Character Video Synthesis with Spatial Decomposed Modeling](https://arxiv.org/html/2409.16160)；[P014 · Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation](https://arxiv.org/html/2503.24379)；[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)|
|视频作为推理或回答|条件注入|0|覆盖/边界不足；价值待任务验证|[推断] 问题及初图已是条件，复杂解题控制需避免把答案泄露成控制信号。 依据：[P003 · VideoComposer: Compositional Video Synthesis with Motion Controllability](https://arxiv.org/html/2306.02018)；[P004 · SparseCtrl: Adding Sparse Controls to Text-to-Video Diffusion Models](https://arxiv.org/html/2311.16933)；[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)|
|视频作为推理或回答|架构与生成范式|0|覆盖/边界不足；价值待任务验证|[推断] 两篇RL方法复用Wan基础模型；未检验新架构是否必要。 依据：[P001 · Video-to-Video Synthesis](https://arxiv.org/html/1808.06601)；[P010 · HunyuanVideo: A Systematic Framework For Large Video Generative Models](https://arxiv.org/html/2412.03603)；[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)|
|视频作为推理或回答|记忆与上下文|0|覆盖/边界不足；价值待任务验证|[推断] 短规则任务不要求远期检索；长过程推理可能需要memory，需另建任务证据。 依据：[P015 · GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control](https://arxiv.org/html/2503.03751)；[P044 · WorldMem: Long-term Consistent World Simulation with Memory](https://arxiv.org/html/2504.12369)；[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)|
|视频作为推理或回答|训练信号|2|已有人做；本池稀疏|[推断] Wan-R1与VideoRLVR是直接实例；已知规则reward可用，但开放语义验证更难。 依据：[P034 · Wan-R1: Verifiable-Reinforcement Learning for Video Reasoning](https://arxiv.org/html/2603.27866)；[P036 · Video Models Can Reason with Verifiable Rewards](https://arxiv.org/html/2605.15458)|
|视频作为推理或回答|推理时方法|0|覆盖/边界不足；价值待任务验证|[推断] best-of-K在Wan-R1为分析而非主方法；开放任务搜索受verifier可靠性限制。 依据：[P007 · PhysGen: Rigid-Body Physics-Grounded Image-to-Video Generation](https://arxiv.org/html/2409.18964)；[P060 · Physical Simulator In-the-Loop Video Generation](https://arxiv.org/html/2603.06408)；[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)|
|视频作为推理或回答|数据|0|主次计数造成|[推断] RealVideoQuest/VideoRLVR的数据是次贡献；没有主数据集论文是池内结构。 依据：[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)；[P036 · Video Models Can Reason with Verifiable Rewards](https://arxiv.org/html/2605.15458)|
|视频作为推理或回答|评测|1|已有人做；本池稀疏|[推断] RealVideoQuest为直接实例，WorldReasonBench为任务不确定；并非推理评测空白。 依据：[P030 · Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents](https://arxiv.org/html/2506.01689)|
|其他（说明）|表示|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|
|其他（说明）|条件注入|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|
|其他（说明）|架构与生成范式|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|
|其他（说明）|记忆与上下文|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|
|其他（说明）|训练信号|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|
|其他（说明）|推理时方法|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|
|其他（说明）|数据|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|
|其他（说明）|评测|0|分类边界|[推断] 分类占位行；不是一个可由论文数判断价值的具体任务。 依据：taxonomy：其余七类已覆盖本池确定任务；3个争议样本单列不确定。|