视频大模型

Physical Simulator In-the-Loop Video Generation

物理模拟器闭环视频生成

Lin Geng Foo, Mark He Huang, Alexandros Lattas, Stylianos Moschoglou, Thabo Beeler, Christian Theobalt

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Singapore University of Technology and Design（新加坡科技设计大学） ； A*STAR（新加坡科技研究局） ； Google（谷歌） ； Saarbrücken Research Center for Visual Computing, Interaction and Artificial Intelligence（斯图加特视觉计算、交互与人工智能研究中心） 纠错

专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV

AI总结 PSIVG通过整合物理模拟器与扩散模型，生成符合物理规律的视频，提升生成视频的真实性和一致性。

Comments Accepted to CVPR 2026

EmboAlign: Aligning Video Generation with Compositional Constraints for Zero-Shot Manipulation

EmboAlign：通过组合约束对齐视频生成以实现零样本操控

Gehao Zhang, Zhenyang Ni, Payal Mohapatra, Han Liu, Ruohan Zhang, Qi Zhu

机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） 纠错

专题命中 视频生成 ：video generation(title)

AI总结 EmboAlign通过视觉语言模型生成组合约束，对齐视频生成模型输出，提升零样本机器人操控的成功率。

CanvasMAR: Improving Masked Autoregressive Video Prediction With Canvas

CanvasMAR: 通过Canvas提升遮蔽自回归视频预测

Zian Li, Muhan Zhang

机构 * Institute for Artificial Intelligence, Peking University, Beijing, China（人工智能研究院，北京大学，北京，中国） ； School of Intelligence Science and Technology, Peking University, Beijing, China（智能科学与技术学院，北京大学，北京，中国） ； State Key Laboratory of General Artificial Intelligence, Peking University, Beijing, China（通用人工智能国家重点实验室，北京大学，北京，中国） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 CanvasMAR通过引入canvas机制和运动感知采样顺序，提升视频生成的保真度和效率，实现更高质量的视频生成。

GenHOI: Towards Object-Consistent Hand-Object Interaction with Temporally Balanced and Spatially Selective Object Injection

GenHOI：面向对象一致性的手-物体交互方法，采用时间平衡和空间选择性的对象注入

Xuan Huang, Mochu Xiang, Zhelun Shen, Jinbo Wu, Chenming Wu, Chen Zhao, Kaisiyuan Wang, Hang Zhou, Shanshan Liu, Haocheng Feng, Wei He, Jingdong Wang

机构 * Department of Computer Vision Technology(VIS), Baidu Inc.（百度公司计算机视觉技术部） ； Shenzhen Campus of Sun Yat-Sen University（中山大学深圳校区） ； Northwestern Polytechnical University（西北工业大学） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 GenHOI通过时间平衡和空间选择性的对象注入方法，提升手-物体交互在现实场景中的生成一致性与保真度。

SPARK: Jailbreaking T2V Models by Synergistically Prompting Auditory and Recontextualized Knowledge

SPARK：通过协同提示音频与重新上下文化知识实现T2V模型的劫持

Zonghao Ying, Moyang Chen, Nizhang Li, Zhiqiang Wang, Wenxin Zhang, Quanchen Zou, Zonglei Jing, Aishan Liu, Xianglong Liu

机构 * State Key Laboratory of Complex \& Critical Software Environment, Beihang University ； College of Science, Mathematics ； Technology, Wenzhou-Kean University ； 360 AI Security Lab ； Faculty of Innovation Engineering, Macau University of Science ； Hong Kong University of Science ； University of Chinese Academy of Sciences 纠错

专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV

AI总结 SPARK通过模块化提示设计，利用音频与视觉关联模式，实现对T2V模型的高效劫持，提升攻击成功率23%。

DreamToNav: Generalizable Navigation for Robots via Generative Video Planning

DreamToNav: 通过生成式视频规划实现通用机器人导航

Valerii Serpiva, Jeffrin Sam, Chidera Simon, Hajira Amjad, Iana Zhura, Artem Lykov, Dzmitry Tsetserukou

机构 * Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（智能空间机器人实验室，斯克尔科夫科学与技术研究所） 纠错

专题命中 视频生成 ：video generation(abstract)

AI总结 DreamToNav通过生成式视频规划实现通用机器人导航，利用自然语言提示生成精确运动路径，实现目标导向的自主导航。

Comments Submitted to conference