Video Generation 论文池：标注规则 v1

制定日期：2026-10-14；先于逐篇标注。以下是本研究的操作性分类规则 [推断]，不是论文作者共同采用的标准。论文事实与定位证据另记在 papers.csv；没有明确证据的属性不补猜。

单选、主次与不确定

任务由论文要解决的输入—输出契约决定，不由标题词或采用的技术决定；benchmark、dataset 按其服务的任务归类。主贡献取作者核心新机制，其他有明确新意的机制作为次贡献；使用现成 VAE 不自动构成“表示”贡献，做消融不自动构成“评测”贡献。矩阵只统计主贡献，每篇恰好计一次；次贡献另存，可用于理解相邻工作。宽泛 quality/consistency 不自动扩展为因果或几何一致。

有源视频且要求受限改动，优先“编辑与修改”；动作驱动环境状态演化优先“动作条件的预测与交互世界模型”；只有相机轨迹但以跨视角重建/重访为核心，优先“3D/4D 一致生成”；长时间 prompt 切换而无环境动作契约归“长视频与多镜头叙事”。多事件时间控制不自动等同于多镜头叙事。仍无法确定时单选字段填“不确定”，在 uncertainty 字段列出两个候选及原因，不把不确定样本硬塞进“其他”。

1. 任务（主轴，单选）

类别	一句纳入标准	边界例子
文本或图像生成视频	从文本或初始图像生成视频，以一般生成质量或语义匹配为主要任务契约。	仅提升 T2V 少步质量仍属此类；新增可独立指定相机路径的接口进入条件控制。
条件控制生成	除一般文本/初始图像外，提供可明确操控的运动、姿态、相机、音频、身份或事件时间条件来合成视频。	主体参考定制属于控制；要求改动一条给定源视频并保持其余内容则属编辑。
编辑与修改	输入已有视频或明确已生成历史，按修改请求改变部分内容并要求保留相关源内容。	首帧传播到源视频属编辑；只有初始图像和自由生成要求不是视频编辑。
长视频与多镜头叙事	核心任务要求长时间延展、跨镜头实体/故事连续或生成中持续更新文本叙事。	少步 AR 短片不是仅凭 AR 就归长视频；对象重访由环境动作驱动时归世界模型。
动作条件的预测与交互世界模型	根据环境观察/历史和显式或学习到的动作，预测未来视觉状态或支持交互 rollout。	latent action 也可纳入；只有相机新视角渲染且不建模环境动作后果，优先 3D/4D。
3D/4D 一致生成	任务核心是多个视角或时间下共享几何世界的生成、重建、再渲染或场景重访。	内部使用 3D 只为单条视频控制，不足以自动纳入；输出可仍为 2D 视频。
视频作为推理或回答	生成的视频本身承担问题答案、规划轨迹或规则可验证的解题过程。	给定动作预测未来环境不自动是解题；需要满足迷宫目标或回答用户问题才纳入。
其他（说明）	论文的主要输入—输出契约确实不能归入上述七类，并写明未覆盖的任务。	未读清楚不能填其他，必须填不确定并列候选。

2. 贡献落点（主 1、次可多）

类别	一句纳入标准	边界例子
表示	提出或改变 latent、3D/4D、结构化脚本/场景图或离散 token 等被模型计算的表示。	新空间分解或可学习 latent action 属表示；直接使用已有深度图作条件不一定属表示。
条件注入	改变控制信息的编码、融合、注意力接入或与生成器对齐方式。	新相机 adapter 属条件注入；仅更换控制数据但接口不变主要是数据。
架构与生成范式	改变 backbone、注意力结构、因果分解或生成/去噪计算组织。	稀疏 attention 属架构；只有新蒸馏 loss 则主归训练信号。
记忆与上下文	改变历史信息的存储、更新、压缩、检索或失效处理机制。	有几何索引的视图检索属记忆；固定多帧拼接不自动构成新记忆机制。
训练信号	提出监督目标、reward、偏好学习、RL、蒸馏或训练分布/rollout 监督方式。	以自己的历史 rollout 接受序列损失属训练信号；冻结模型采样时打分不属训练。
推理时方法	核心方法冻结被控生成器权重，在推理时 guidance、搜索、校验或重采样。	额外训练 reward 后用于冻结生成器的搜索可主归推理；生成器 RL 更新归训练信号。
数据	核心产出是新数据集、配对数据构建、标注方案或可扩展数据引擎。	使用合成数据辅助方法并不必然主归数据，但有新数据构建可列次贡献。
评测	核心产出是新 benchmark、指标或可复用评测协议。	报告已有 FVD 不构成评测贡献；新 benchmark 及其验证属于评测。

3. 控制信号（多选）

类别	一句纳入标准	边界例子
文本	推理时接收语言描述、指令或结构化文字条件。	训练 captions 但推理不接收文本时不标。
图像	推理时接收图像、源视频帧或历史视觉观察。	明确包含源视频/历史帧；内部生成的噪声 latent 不是图像控制。
相机	推理时明确输入相机姿态、外参、位姿或相机运动命令。	文本说“镜头向左”而没有相机控制接口，仅标文本。
轨迹或光流	推理时接收对象/点轨迹、运动场或光流。	模型内部从文本生成轨迹且交给生成器时，记录为派生控制并注明。
姿态或结构图	推理时接收人体/手/脸关键点、分割、深度或其他空间结构图。	普通参考照片不是姿态；深度作为内部推断中间量需注明派生。
动作	推理时接收按键、机器人控制量、驾驶控制或 learned latent action。	对象轨迹本身不自动等同于 agent/environment action。
音频	推理时接收声音、语音或音乐驱动视频内容。	只有生成输出中的音轨不算音频控制。
物理或模拟代理	推理流程明确输入力、力矩、物理参数或模拟器生成的状态/渲染控制。	论文说物理合理但没有物理控制接口时不标。
身份参考	用参考图像/视频或定制实例明确约束主体身份。	任意初始图像不自动作为身份参考；明确身份保持或 subject customization 才标。
无	对象是纯数据/评分协议且不定义生成器控制输入，或明确无条件生成。	对 T2V 输出打分的 reward model 如任务契约仍接收文本，则标文本而非无。

4. 目标性质（多选）

类别	一句纳入标准	边界例子
画质	明确优化或评价视觉保真度、美学、清晰度或感知质量。	任务准确率本身不等同画质。
短时连贯	明确处理相邻帧闪烁、局部运动平滑或连续性。	长时实体相同不必然证明局部平滑。
实体一致	明确约束主体、物体或地点的身份/外观保持。	CLIP 文本相似度不能单独证明实体一致。
几何一致	明确约束跨视角的几何、布局或 3D/4D 对应关系。	视觉上连贯但无几何要求时不标。
环境记忆	明确要求重访、长期保存或检索环境历史状态。	短上下文 attention 不是自动的长期环境记忆。
因果或状态一致	明确要求动作/事件后状态转移、前置条件、持久后果或规则逻辑相容。	因果 attention 仅指计算方向，不能据此标因果一致。
物理合理	明确要求力学、接触、物质行为或真实物理规律合理。	真实感/FVD 提升不自动证明物理合理。
指令遵循	明确要求输出符合文本、编辑、动作或其他控制请求。	视频质量高但没测请求是否执行，不据此推断遵循提高。
效率与延迟	明确优化或衡量步数、吞吐、首帧/交互延迟、计算量或显存。	只称 lightweight 但无清楚效率目标时保留不确定。

5. 生成范式（单选）

这三个选项混合了时间分解和计算预算两个轴。[推断] 为满足当前单选要求：论文以少步/实时为核心产出时优先标“少步或实时”，并在 paradigm_detail 保留是否因果 AR；否则明确逐帧/逐块输出标“因果自回归或流式”；余下明确联合生成一段标“离线整段生成”。benchmark、reward 或数据论文跨多种生成器时填不确定，并写候选及“非单一生成器”。不得把这种不确定当论文缺陷。

类别	一句纳入标准	边界例子
离线整段生成	联合生成/编辑给定长度片段，未以少步或在线输出为核心契约。	将多段拼成长片但每段双向去噪时，注明块级离线。
因果自回归或流式	明确逐帧、逐 token 或逐块依赖过去输出，且少步/实时不是优先主张。	使用 causal mask 不意味着达到实时。
少步或实时	核心方法明确以少步采样或实时吞吐/响应为目标并给出相应结果。	必须另记硬件/设置边界；实时吞吐不等同零交互延迟。

6. 论文类型（单选）

类别	一句纳入标准	边界例子
方法	主要提出生成、训练、控制、记忆或推理算法。	同时建数据但算法是主要结论时仍为方法。
基准	主要提出用于比较能力的评测数据、任务、指标与协议。	有训练集的 benchmark 仍可归基准，不单按含数据决定。
数据集	主要发布支持训练/对齐的数据资产及其构建流程。	用 specialist 生成编辑训练对属于数据集。
分析	核心是控制变量实验、理论或机制分析，而非提出更强的新生成器。	含改进 baseline 不自动改变分析类型。
综述	系统组织既有研究并总结分类与趋势，而不以新方法/数据/实验结论为核心。	方法论文的 related work 不属于综述。

逐篇补充字段与证据

input / output / invariants / correctness 四项构成任务定义。“必须保持”只写作者明示的设计约束；没有明确保持契约则写“未明确规定”，不将“看起来没变”补写为事实。

evidence_types 分别记录：定量 benchmark（具名数据/指标/表）；消融（改变组件或训练设置的对照）；user study（同时记录参与者 N、提示/视频/判断数量，不能混用）；仅定性展示（只有展示且未找到前三类时才能使用）。全文尚未获取或报告不清时写“不确定/未核实”，不能写“没有实验”。数据标注人数不自动等于用户实验人数；相关性验证的人类评价与生成结果偏好实验分开说明。

每篇保存 evidence_locator（正文节/表/PDF 页）和 evidence_url；保存阅读范围、全文取得状态与 uncertainty。中文一句话只概括本论文推进点；横向比较、任务归类边界和研究建议标 [推断]。不以摘要中“extensive experiments”代替具体实验核验。

综合时的计数与稀疏判断

矩阵每格列主贡献篇数及最多 3 篇代表论文；只有 1 篇就列 1 篇，空格列 0，不为了凑代表论文挪动样本。定义“稀疏”为 1–2 篇。逐格结合同任务相邻工作判断“池内覆盖不足”“定义/交叉主贡献导致”“存在实现障碍”或“任务与贡献不匹配”；不得从 0 推出无人做、做不了或不值得做。新颖性最多表述“在本论文池内未见”。

先检查分类本身