该文综述无监督视频表征与动态预测研究，采用关键点表示、RNN编码器、图神经网络对比学习、扩散模型及卡尔曼变分自编码器等方法，学习物体结构与运动动态，以提升像素预测、动作识别、语义分割和跨域对齐等任务表现，并增强可解释性与泛化能力。