AI 大模型

视频大模型

视频理解、视频生成、视频语言模型和时序视觉推理。

2026-03-19 至 2026-03-19 共收录 2 篇信号源：cs.CV, eess.IV, cs.MM

1. 视频数据与评测 2 篇

2603.16966 2026-03-19 cs.CV cs.AI cs.MM cs.SD eess.AS 62%

CineSRD: Leveraging Visual, Acoustic, and Linguistic Cues for Open-World Visual Media Speaker Diarization

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

Liangbin Huang, Xiaohua Liao, Chaoqun Cui, Shijing Wang, Zhaolong Huang, Yanlong Du, Wenji Mao

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

2505.22977 2026-03-19 cs.CV 57%

HyperMotionX: The Dataset and Benchmark with DiT-Based Pose-Guided Human Image Animation of Complex Motions

HyperMotionX：基于DiT的Pose引导人体图像动画的Dataset和Benchmark

Shuolin Xu, Siming Zheng, Ziyi Wang, HC Yu, Jinwei Chen, Huaqi Zhang, Daquan Zhou, Tong-Yee Lee, Bo Li, Peng-Tao Jiang

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