要約
将来の世界状態を正確に予測するビデオフレームの生成は困難である。既存の手法では、結果の全体的な分布を捉えきれない、またはぼやけた生成しか得られない、あるいは両方の問題が存在する。本論文では、与えられた環境における不確実性の事前モデルを学習する非監督型ビデオ生成モデルを提案する。ビデオフレームは、この事前モデルからサンプルを抽出し、それを将来のフレームの確定的な推定値と組み合わせることで生成される。この手法は単純であり、さまざまなデータセットに対して端から端まで容易に訓練できる。サンプル生成は、多くのフレーム先まででも多様かつ鮮明であり、既存の手法からの生成物と比較して優れている。注：「端から端まで」（end-to-end）という表現は日本語でもよく使用されますが、「一貫して」という表現も同義として使用できます。ただし、本訳では「端から端まで」を使用することで原文との対応関係を保っています。