AI 大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
通过合成视频学习可迁移的时间原语以实现视频推理
机构 * Zhejiang University（浙江大学） ； Qwen Team, Alibaba Group（通义实验室，阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
专题命中 视频理解 ：video reasoning(title)；video generation(abstract)；video understanding(abstract)；分类 cs.CV
AI总结 本文提出SynRL框架，通过合成视频训练模型的时间原语，提升视频推理能力，在15个基准测试中取得显著成效，合成数据在复杂场景中表现优于真实数据。
视频理解：从几何与语义到统一模型
机构 * Department of Computer Science（计算机科学系） ； University of Copenhagen（哥本哈根大学） ； College of Computer Science（计算机科学学院） ； Nankai University（南开大学） ； School of Computer and Communication Sciences（计算机与通信科学学校） ； EPFL（苏黎世联邦理工学院） ； Department of Computer Science & Engineering（计算机科学与工程系） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Computer Vision Lab（计算机视觉实验室） ； University of Würzburg（乌尔姆大学） ； Computer Science Research Centre（计算机科学研究中心） ； University of Surrey（萨里大学） ； School of Electrical, Computer and Telecommunications Engineering（电气、计算机和电信工程学院） ； University of Wollongong（沃林根大学） ； Language Technology Lab（语言技术实验室） ； University of Cambridge（剑桥大学） ； School of Artificial Intelligence（人工智能学院） ； Beijing Institute of Technology（北京理工大学） ； Institute for Computer Science（计算机科学研究所） ； INSAIT
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 本文综述了视频理解的发展，从低层几何理解到高层语义理解和统一模型，探讨了时间动态和视觉上下文建模的重要性，并总结了当前研究趋势和挑战。
Comments A comprehensive survey of video understanding, spanning low-level geometry, high-level semantics, and unified understanding models
Journal ref Machine Intelligence Research 2026
面向快门的视频帧采样
机构 * ByteDance（字节跳动） ； Rutgers University（罗格斯大学） ； Georgia Tech（佐治亚理工学院）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 本文提出InfoShot，一种任务无关的快门感知帧采样方法，用于长视频理解。通过分割视频为语义一致的快门，并选择两种互补的关键帧，以保留视频结构和短时变化信息，提升视频理解和异常检测性能。
Symphony：一种受认知启发的多智能体系统用于长视频理解
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Kuaishou Technology（快手科技） ； School of Future Technology, University of Chinese Academy of Sciences（中国科学院大学未来技术学院）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 本文提出Symphony多智能体系统，通过模拟人类认知模式，提升长视频理解任务的推理能力，实验显示在多个基准测试中表现优异。
Comments Accepted by cvpr2026
VideoAtlas: 在对数计算中导航长视频
机构 * King Abdullah University of Science and Technology (KAUST)（卡斯特大学） ； Department of Computer Science, King Khalid University (KKU)（国王 Khalid 大学计算机科学系） ； Department of Computer Science, Edge Hill University（Edge Hill 大学计算机科学系）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 VideoAtlas通过层次化网格结构实现长视频的无损表示，解决视频表示和长上下文问题，提出Video-RLM架构，展示对数计算增长、环境预算和自适应计算分配等贡献。
M2P：通过Mask-to-Point弱监督学习改进视觉基础模型以实现密集点跟踪
机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； Meituan, Shenzhen, China（美团（深圳，中国）） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出M2P学习方法，利用视频对象分割掩码注解改进视觉基础模型，通过局部结构一致性损失、掩码标签一致性损失和掩码边界约束，提升密集点跟踪性能，实验表明其在TAP-Vid-DAVIS基准上优于DINOv2和DINOv3。
立体世界模型：基于摄像头的立体视频生成
机构 * The University of Hong Kong（香港大学） ； VAST ； ByteDance Pico（字节跳动Pico）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出StereoWorld，一种基于摄像头的立体世界模型，通过联合学习外观和双眼几何实现端到端的立体视频生成。该模型在RGB模态中操作，直接从视差中获取几何信息，通过统一的相机帧RoPE和立体感知注意力分解提升生成效率和一致性。
Comments Project Page: https://sunyangtian.github.io/StereoWorld-web/
基于对抗自蒸馏的单步因果视频生成
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tencent YouTu Lab（腾讯优图实验室） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出基于蒸馏的高效因果视频生成框架，通过对抗自蒸馏策略提升生成质量，结合首帧增强策略减少误差传播，实验表明在单步和双步视频生成中优于现有方法。
Comments Published as a conference paper at ICLR 2026
脚本到幻灯片接地：将脚本句子接地到幻灯片对象以实现自动教学视频生成
机构 * Nagoya Institute of Technology（名古屋技术大学）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 本文提出Script-to-Slide Grounding任务，利用大语言模型实现脚本与幻灯片对象的自动接地，实验显示F1分数达0.924，为自动化幻灯片视频编辑奠定基础。
Comments The 21st International Conference on E-Service and Knowledge Management (ESKM 2025-Winter)
无需训练的视频内容、动作和动态编辑
机构 * Google DeepMind（谷歌DeepMind） ； Technion -- Israel Institute of Technology（技术ion-以色列理工学院） ； The Weizmann Institute of Science（魏茨曼科学研究院）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出DynaEdit方法，无需训练即可实现复杂的视频编辑，通过预训练文本到视频流模型，解决现有方法在编辑动作和动态事件时的局限性。
Comments Project page at https://dynaedit.github.io/
SkyReels-V4：多模态视频-音频生成、修复和编辑模型
机构 * Skywork AI
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 SkyReels-V4是一款多模态视频基础模型，支持视频音频生成、修复和编辑，采用双流多模态扩散变换器架构，结合文本编码器实现多模态指令处理，支持高分辨率、长时长视频生成。
通过大规模激活引导视频扩散变换器
机构 * MBZUAI
专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 研究视频扩散变换器中大规模激活的作用，提出STAS方法通过引导首帧和边界token的激活值提升视频生成质量与时间一致性。
面向轻量视频生成的运动自适应时间注意力机制
机构 * George Mason University（乔治·玛森大学） ； Independent Researcher（独立研究者）
专题命中 视频扩散模型 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出基于冻结Stable Diffusion模型的运动自适应时间注意力机制，通过动态调整时间注意力接收域，实现高运动序列局部关注与低运动序列全局关注，仅增加25.8M参数即在WebVid验证集上取得竞争性结果。
Comments 6 pages, 3 figures, 4 tables. Published at IS&T Electronic Imaging 2026, GENAI Track
Journal ref IS&T Electronic Imaging 2026, GENAI Track
TAPESTRY：从几何到外观 via 一致的旋转台视频
机构 * ShanghaiTech University（上海科技大学） ； Deemos Technology（德莫斯科技）
专题命中 视频扩散模型 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 TAPESTRY通过基于显式3D几何的视频扩散方法生成高保真旋转台视频，用于驱动纹理合成和神经渲染，实现高质量3D重建。
从不一致视角重建世界
机构 * Technical University of Munich, Germany（慕尼黑技术大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出一种非刚性对齐方法，通过全局一致坐标框架生成清晰点云，提升视频扩散模型在3D世界重建中的性能。
Comments project website: https://lukashoel.github.io/video_to_world video: https://www.youtube.com/watch?v=qXnUwhVmBzA code: https://github.com/lukasHoel/video_to_world
文本嵌入插值在连续图像操控中的不合理有效性
机构 * Reve
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出一种无需训练的连续可控图像编辑框架，通过文本嵌入空间的简单操控实现平滑编辑控制，引入弹性范围搜索确保连续性，并在文本条件模态间实现泛化。
Comments Project Page: https://yigitekin.github.io/diffusion-sliders
Search2Motion: 基于注意力-共识搜索的无训练物体级运动控制
机构 * Intel Corporation（英特尔公司）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 Search2Motion通过注意力-共识搜索实现无训练的物体级运动编辑，利用首尾帧运动先验保持场景稳定性，引入ACE-Seed策略提升运动保真度，提出新的评估指标验证其优越性。
Comments 14 pages, 9 figures
S-VAM：通过自蒸馏几何和语义前瞻性构建快捷视频动作模型
机构 * The Hong Kong University of Science ； Technology (Guangzhou) Huawei Foundation Model Department
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 S-VAM通过自蒸馏策略实现单次前向传递生成几何和语义表示，提升动作预测效率，实验证明在复杂环境中优于现有方法。
基于可微运动轨迹的向量草图动画生成
机构 * Zhejiang University of Technology（浙江工业大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang Gongshang University（浙江工商大学）
专题命中 动作与事件理解 ：text-to-video(abstract)；分类 cs.CV
AI总结 本文提出一种端到端的向量草图动画生成方法，通过可微运动轨迹解决闪烁问题，提升语义一致性和时间连续性，实现在DAVIS和LVOS数据集上的优越性能。
Comments 14 pages, 12 figures
基于视觉语言模型的递归推理用于估计长周期具身任务进度
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大型模型与智能治理研究重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（教育部下一代智能搜索与推荐工程研究中心） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）
专题命中 长视频与时序推理 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出R²VLM模型，通过递归推理框架处理局部视频片段，维护全局上下文，实现复杂时间依赖推理，提升长周期任务进度估计性能。
Comments CVPR 2026
统一的空间时间令牌评分用于高效的视频视觉-语言模型
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Allen Institute for AI（人工智能研究所）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 本文提出STTS，一种高效的统一空间时间令牌评分方法，通过辅助损失和LLM下游梯度学习，在不依赖文本条件或令牌合并的情况下，对视频中50%的视觉令牌进行修剪，提升训练和推理效率62%，性能下降仅0.7%。
MosaicMem: 用于可控视频世界模型的混合空间记忆
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； The University of Osaka（大阪大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Mujin Inc.（Mujin公司） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Taiyuan University of Technology（太原本科技大学）
专题命中 长视频与时序推理 ：video diffusion(abstract)；分类 cs.CV
AI总结 MosaicMem提出一种混合空间记忆方法，通过提升片段至3D实现可靠定位与检索，结合模型原生条件化保留提示生成，提升姿态一致性与动态建模能力，支持细粒度导航与场景编辑。
Comments Project Page: https://mosaicmem.github.io/mosaicmem/
Astrolabe：为蒸馏自回归视频模型设计的前向过程强化学习框架
机构 * HKUST（香港科技大学） ； JD Explore Academy（JD探索学院） ； HKU（香港大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 Astrolabe通过前向过程强化学习方法提升蒸馏自回归视频模型的生成质量，采用滚动KV缓存实现流式训练，结合多奖励目标和不确定性感知正则化，有效解决对齐问题。
Comments 53 pages, 37 figures
CineSRD：利用视觉、听觉和语言线索进行开放世界视觉媒体说话人聚类
机构 * Hujing Digital Media and Entertainment Group（华景数字媒体与娱乐集团） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS部门） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV、cs.MM
AI总结 CineSRD通过整合视觉、听觉和语言线索，解决开放世界视觉媒体中说话人识别的挑战，提出统一多模态框架并构建专用基准数据集，验证其在复杂场景下的鲁棒性和泛化能力。
Comments Accepted to CVPR 2026
HyperMotionX：基于DiT的Pose引导人体图像动画的Dataset和Benchmark
机构 * Bournemouth University（伯恩茅斯大学） ； vivo BlueImage Lab, vivo Mobile Communication Co., Ltd（vivo 蓝影实验室，vivo 通信有限公司） ； Peking University（北京大学） ； National Cheng-Kung University（国立成功大学）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出基于DiT的高效人体动画生成基线和改进的RoPE模块，构建了HyperMotionX数据集和基准，提升了复杂人体运动动画的结构稳定性和外观一致性。
Comments 17 pages, 7 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈