JVT：以简洁的视频 Transformer 简化像素空间视频扩散

基于摘要分析。该研究针对高维原始视频的直接扩散建模问题，提出 JVT（Just Video Transformer）：一种采用大 patch 的 DiT-style Transformer，在像素空间生成视频，不依赖预训练自编码器、辅助细节增强模块、级联阶段或 U-Net 式跳跃连接。其主要贡献是探索简洁架构的生成质量与计算效率，并展示像素对齐多模态的联合生成能力。 机制与设计：作者系统考察视频 patch 嵌入、register tokens 和自适应层归一化等设计选择。摘要未提供最终配置、扩散目标、训练流程及各设计的独立贡献，因此尚不能判断大 patch 对细节保留的影响或不同模块的效率收益。 结果：作者报告，在类别条件生成和无条件生成设置下，JVT 的生成质量可与潜空间扩散基线竞争，但摘要未列出数据集、指标、数值及计算预算。在相机条件 RGB-disparity 联合生成任务中，作者报告其相较 RGB-only 基线改善了相机跟随，并可在推理时不借助额外重建模型输出显式场景几何；具体评估协议与提升幅度尚未验证。 证据边界：本文主要研究对象是视频生成，而非神经信号建模。摘要未提供 EEG/BCI 数据或验证，也未建立足够具体的迁移对应关系，因此不将其改写为 BCI 算法贡献。全文、实验协议、消融及统计信息尚未验证；代码与复现资源的可用性亦尚未验证。