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。
CoPE-VideoLM：利用编解码器原语实现高效的视频语言建模
机构 * Microsoft Spatial AI Lab（微软空间人工智能实验室） ； Stanford University（斯坦福大学） ； ETH Zurich（苏黎世联邦理工学院）
专题命中 视频理解 ：video language model(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 本文提出CoPE-VideoLM，通过利用视频编解码器原语（如运动矢量和残差）减少计算开销，提升视频语言模型的效率和性能。
Comments Project Page: https://microsoft.github.io/CoPE
激励时间感知的自体视频理解模型
机构 * Virginia Tech（弗吉尼亚理工大学） ； Apple（苹果公司） ； Harvard University（哈佛大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UC Davis（加州大学戴维斯分校）
专题命中 视频理解 ：video understanding(title,abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 本文提出TGPO算法，通过强化学习提升多模态大语言模型在自体视频理解中的时间感知能力，实验表明其在时间接地和因果连贯性方面优于现有方法。
Comments 11 pages, 4 figures
VideoARM：基于分层记忆的代理推理用于长视频理解
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 VideoARM通过自适应代理推理和分层记忆结构，有效降低长视频理解的token消耗，优于现有方法DVD。
Comments Accepted to CVPR 2026, code available at https://milvlg.github.io/videoarm/
V-CAST：面向高效视频大语言模型的曲率感知时空剪枝
机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Shenzhen Loop Area Institute（深圳河套学院） ； Sichuan University（四川大学） ； EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出V-CAST，一种无需训练的视频长上下文推理剪枝策略，通过曲率引导的时空分配模块和双锚点空间选择机制，提升视频大语言模型的效率与性能。
Comments Code: \url{https://github.com/xinyouu/V-CAST}
NewtonGen: 通过神经牛顿动力学实现物理一致且可控的文本到视频生成
机构 * Purdue University（普渡大学） ； Samsung Research America（三星美国研究院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV
AI总结 本文提出NewtonGen框架，结合数据驱动合成与可学习物理原理，通过可训练的神经牛顿动力学模型实现物理一致的视频生成，并提供精确的参数控制。
Comments Accepted by ICLR 2026. Camera-ready version. Project Page: https://yuyuanspace.com/NewtonGen/
VistaGEN: 通过多视角视觉语言推理实现一致的驾驶视频生成与细粒度控制
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Meituan, Inc.（美团） ； Beijing Normal University（北京师范大学）
专题命中 视频生成 ：video generation(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出VistaGEN，通过多视角视觉语言推理实现驾驶视频生成的细粒度控制与时空一致性，引入多视角视觉语言评估器和对象级细化模块，提升长视频生成质量与一致性。
Wan-R1: 可验证强化学习用于视频推理
机构 * Iowa State University（爱荷华州立大学） ； Tulane University（杜兰大学） ； Princeton University（普林斯顿大学）
专题命中 视频生成 ：video reasoning(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 本文提出可验证奖励设计以提升视频推理的泛化能力，通过改进GRPO算法在流基视频模型中训练，验证奖励在复杂迷宫和机器人导航任务中显著提升性能。
基于事件中心因果推理的物理合理视频生成
机构 * Sichuan University（四川大学） ； The University of Adelaide（阿德莱德大学） ； Hong Kong Polytechnic University（香港理工大学） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出基于事件链的因果推理和跨模态提示模块，用于生成物理合理视频，通过物理公式约束和时间对齐提示提升视频生成的因果连贯性与物理合理性。
Comments Accepted by CVPR2026
通过奖励引导优化实现身份保持的图像到视频生成
机构 * Huazhong University of Science and Technology（华中科技大学） ； Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团） ； Alibaba Group（阿里巴巴集团）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出IPRO框架，通过强化学习优化扩散模型，提升身份一致性。引入面部评分机制和KL散度正则化，改进性能并加速收敛。
Comments accepted by CVPR 2026
TokenDial: 通过时空token偏移实现文本到视频的连续属性控制
机构 * Adobe Research（Adobe研究院） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视频生成 ：text-to-video(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 TokenDial通过在中间时空视觉patch-token空间中添加偏移实现文本到视频生成模型的连续属性控制，通过调整偏移量实现外观和运动动态的可预测编辑，优于现有基线。
Comments Project page: https://tokendial.github.io/
FlashSign：无需姿态的高效手语视频生成
机构 * HUST（华中科技大学） ； GigaAI ； UTS（悉尼科技大学） ； HKU（香港大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Warwick（华威大学） ； TJU（天津大学） ； NNU（南京师范大学） ； UCAS（中国科学院大学） ； UTHealth Houston（德克萨斯大学休斯顿健康科学中心）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出无需姿态表示的高效手语视频生成框架，通过扩散模型直接映射自然语言文本到手语视频，引入可训练滑动瓷砖注意力机制提升推理效率，实现3.07倍的生成速度提升。
无需训练的运动因子分解用于组合视频生成
机构 * Sichuan University（四川大学） ； The University of Adelaide（阿德莱德大学） ； Nanyang Technological University（南洋理工大学） ； Beijing Institute of Technology（北京理工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出一种无需训练的运动因子分解框架，将复杂运动分解为静止、刚体和非刚体运动三类，通过规划先于生成的范式，提升视频生成中运动多样性的表现。
Comments Accepted by CVPR2026
LAMP：语言辅助运动规划用于可控视频生成
机构 * Koç University（科奇大学） ； University College London（伦敦大学学院） ； Hacettepe University（哈斯特帕大学） ； Adobe Research（Adobe研究院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 LAMP通过大语言模型生成3D轨迹，实现基于自然语言的视频生成，提升运动可控性和用户意图对齐。
Comments CVPR 2026. Project Page: https://cyberiada.github.io/LAMP/
KV缓存量化用于自驱动视频生成：一项33种方法的实证研究
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 本文通过33种量化和缓存策略变体，研究自驱动视频生成中KV缓存压缩的影响，发现FlowCache启发的INT4软剪枝方法在压缩率和内存使用上表现优异，但高保真方法存在运行时或内存成本问题，需结合实际需求选择。
AutoCut：基于多模态离散化和可控生成的端到端广告视频编辑
机构 * Tsinghua University（清华大学） ； Kuaishou Technology（快手科技）
专题命中 视频生成 ：long video(abstract)；分类 cs.CV
AI总结 本文提出AutoCut框架，通过多模态离散化和可控生成实现广告视频编辑，提升一致性和可控性，降低生产成本和迭代时间。
Comments Accepted by CVPR 2026
通过加权h变换采样实现粗引导的视觉生成
机构 * The Hong Kong University of Science and Technology（香港科技大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出一种基于h变换的粗引导视觉生成方法，通过调整采样步骤的概率过渡，结合噪声水平感知调度，提升生成质量与泛化能力。
LightCtrl: 不需要训练的可控视频重照明
机构 * Tsinghua University（清华大学） ； GVC Lab, Great Bay University（大湾区大学GVC实验室） ； Adobe Research（Adobe研究院）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 LightCtrl是首个无需训练的可控视频重照明方法，通过用户提供的光照轨迹实现对视频光照的显式控制，结合预训练扩散模型提升时间一致性，实验显示其在光照变化多样性和可控性上优于基线方法。
Comments Accepted at ICLR 2026
GaussFusion: 通过几何引导的视频生成提升野外3D重建
机构 * Stanford University（斯坦福大学） ； Zillow Group（Zillow集团）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 GaussFusion通过几何引导的视频生成技术改进3DGS重建，解决常见伪影问题，提供更鲁棒的3D重建方法，实现在新型视图合成中的最佳性能。
Comments CVPR 2026 main paper camera-ready. Project page: http://research.zhuliyuan.net/projects/GaussFusion/
图像生成模型：技术史
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文综述了过去十年图像生成模型的快速发展，涵盖VAEs、GANs、正常化流、自回归和Transformer模型以及扩散方法，分析其技术原理、训练方法及局限性，并讨论视频生成和模型鲁棒性等最新进展。
面向鲁棒文本到视频生成的潜变量视频扩散模型腐蚀感知训练
机构 * William & Mary（威廉与玛丽学院） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学）
专题命中 视频扩散模型 ：video generation(title,abstract)；video diffusion(title,abstract)；text-to-video(title)；video understanding(abstract)
AI总结 本文提出CAT-LVDM框架，通过结构化噪声注入提升视频扩散模型的鲁棒性，实验显示其在多个数据集上优于传统方法，且能扩展至自回归生成和多模态视频理解模型。
Comments ICLR 2026 ReALM-GEN
滚动汇：在有限时间训练和开放-ended测试之间架桥
机构 * UC San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出Rolling Sink，通过分析AR缓存维护，实现无需训练的超长视频生成，提升视觉质量和时间一致性。
Comments v5: Fix some typos. Figures were compressed to 150 dpi to comply with arXiv's submission size limit. Project page: https://rolling-sink.github.io/
STRIDE：当语音识别与序列去噪相结合用于流媒体视频理解
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； KAIST（韩国科学技术院） ； Google DeepMind（谷歌DeepMind）
专题命中 视频扩散模型 ：video understanding(title)；分类 cs.CV
AI总结 本文提出STRIDE方法，通过结构化序列建模解决流媒体视频中的主动激活问题，提升在线流媒体场景下的'何时说话'决策质量。
Comments Project page: https://interlive-team.github.io/STRIDE
VerseCrafter：基于4D几何控制的动态真实视频世界模型
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； HKU（香港大学） ； ARC Lab, Tencent PCG（腾讯PCG ARC实验室）
专题命中 视频扩散模型 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出VerseCrafter，通过4D几何控制生成动态真实视频，相比传统方法更精确控制相机和多物体运动。
Comments Project Page: https://sixiaozheng.github.io/VerseCrafter_page/, Accepted by CVPR 2026
EFlow：通过高效解流实现从零开始的快速少步视频生成训练
机构 * Snap Inc.（Snap公司） ； Korea University（高丽大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出EFlow框架，通过高效解流目标和改进的训练方法，减少采样步骤和计算成本，实现更高的训练吞吐量和更低的推理延迟。
LightMover：具有颜色和强度控制的生成式光移动
机构 * AIML, Adelaide University（阿德莱德大学机器学习研究所） ； Adobe Research（Adobe研究院） ； University of Hong Kong（香港大学） ； Yale University（耶鲁大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 LightMover通过视频扩散先验生成单图像中可控的光照变化，统一处理空间和外观控制，提升操控与光照理解，并引入自适应令牌修剪机制，减少控制序列长度41%同时保持编辑保真度。
Comments CVPR 2026. 10 pages, 5 figures, 6 tables in main paper; supplementary material included
StreamAvatar：用于实时交互人类分身的流式扩散模型
机构 * Tsinghua University（清华大学） ； Renmin University of China（中国人民大学） ； Tencent Hunyuan（腾讯混元） ； Nanjing University（南京大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出一种两阶段自回归适应与加速框架，通过自回归蒸馏和对抗性细化，使高保真人类视频扩散模型适用于实时交互流式生成，实现自然对话与倾听行为。
Comments Accepted by CVPR 2026. Project page: https://streamavatar.github.io
VRR-QA：超越显性提示的视频视觉关系推理
机构 * Institute of Artificial Intelligence, University of Central Florida, USA（美国中佛罗里达大学人工智能研究所）
专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV
AI总结 VRR-QA通过精心 curated 的创意视频数据集，评估视频问答模型在隐含关系推理上的表现，揭示现有模型对显性视觉线索的依赖及隐含推理的难度。
Comments Accepted at CVPR 2026
OmniRAG-Agent：面向低资源长音频视频的代理多模态推理
专题命中 视频问答 ：video reasoning(abstract)
AI总结 本文提出OmniRAG-Agent，通过构建图像音频检索增强生成模块和代理循环，解决低资源长音频视频问答中的高成本编码、弱细粒度检索等问题，实验表明其在低资源环境下表现优异。
ViPRA：用于机器人动作的视频预测
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Skild AI ； University of California, Irvine（加州大学尔湾分校）
专题命中 动作与事件理解 ：video-language(abstract)；分类 cs.CV
AI总结 ViPRA通过预训练和微调框架，从无标注视频中学习连续机器人控制，利用视频语言模型预测视觉观察和运动中心潜在动作，支持跨机器人形态的泛化和高频率连续控制。
Comments In ICLR 2026. Website: https://vipra-project.github.io
跟随你的动作：通过高效的时空解耦微调实现视频动作迁移
机构 * HKUST（香港科技大学） ； HKUST(GZ)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； XIntelligence Technology Co., Limited（星云科技股份有限公司） ； SJTU（上海交通大学）
专题命中 动作与事件理解 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出Follow-Your-Motion框架，通过高效的时空解耦微调方法，解决视频扩散变换器在动作迁移中的不一致性和效率问题，并引入MotionBench基准进行验证。
Comments Accepted by ICLR 2026, project page: https://follow-your-motion.github.io/
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