视频大模型

Query-Conditioned Evidential Keyframe Sampling for MLLM-Based Long-Form Video Understanding

基于证据的关键帧采样用于基于MLLM的长视频理解

Yiheng Wang, Lichen Zhu, Yueqian Lin, Yudong Liu, Jingyang Zhang, Hai "Helen" Li, Yiran Chen

机构 * Duke University（杜克大学） ； Independent Researcher（独立研究员） 纠错

专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV

AI总结 本文提出基于信息瓶颈理论的证据驱动关键帧采样框架，通过最大化选帧与查询的条件互信息，提升长视频理解性能，实验表明在严格token预算下优于现有方法。

TempoControl: Temporal Attention Guidance for Text-to-Video Models

TempoControl: 文本到视频模型中的时间注意力引导

Shira Schiber, Ofir Lindenbaum, Idan Schwartz

机构 * Bar-Ilan University（巴伊兰大学） 纠错

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

AI总结 本文提出TempoControl，通过新颖的优化方法实现文本到视频模型的时间对齐，无需重新训练，支持时间重排、动作时机控制和音频对齐等应用。

Comments Accepted CVPR'26

Video2LoRA: Unified Semantic-Controlled Video Generation via Per-Reference-Video LoRA

Video2LoRA：通过每参考视频LoRA实现统一的语义控制视频生成

Zexi Wu, Baolu Li, Jing Dai, Yiming Zhang, Yue Ma, Qinghe Wang, Xu Jia, Hongming Xu

机构 * Dalian University of Technology（大连理工大学） ； HKUST（香港科技大学） 纠错

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

AI总结 本文提出Video2LoRA框架，通过轻量级超网络预测个性化LoRA权重，实现灵活高效的语义控制视频生成，模型重量小于150MB，具备良好的零样本泛化能力。

Comments 10 pages

SPDMark: Selective Parameter Displacement for Robust Video Watermarking

SPDMark：基于选择性参数位移的鲁棒视频水印技术

Samar Fares, Nurbek Tastan, Karthik Nandakumar

机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； Michigan State University (MSU)（密歇根州立大学） 纠错

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

AI总结 SPDMark通过在视频扩散模型中选择性位移参数，在生成视频时嵌入不可见水印，实现高鲁棒性和计算效率的平衡。

Comments CVPR 2026

Toward Physically Consistent Driving Video World Models under Challenging Trajectories

迈向在挑战性轨迹下物理一致的驾驶视频世界模型

Jiawei Zhou, Zhenxin Zhu, Lingyi Du, Linye Lyu, Lijun Zhou, Zhanqian Wu, Hongcheng Luo, Zhuotao Tian, Bing Wang, Guang Chen, Hangjun Ye, Haiyang Sun, Yu Li

机构 * Zhejiang University（浙江大学） ； Xiaomi EV（小米电动汽车） ； The Hong Kong Polytechnic University（香港理工大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

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

AI总结 本文提出PhyGenesis，通过物理条件生成器和物理增强视频生成器，解决挑战性轨迹下视频生成的物理不一致问题，实验表明其在复杂轨迹上表现优异。

DreamerAD: Efficient Reinforcement Learning via Latent World Model for Autonomous Driving

DreamerAD：通过潜在世界模型实现高效的强化学习用于自动驾驶

Pengxuan Yang, Yupeng Zheng, Deheng Qian, Zebin Xing, Qichao Zhang, Linbo Wang, Yichen Zhang, Shaoyu Guo, Zhongpu Xia, Qiang Chen, Junyu Han, Lingyun Xu, Yifeng Pan, Dongbin Zhao

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd（重庆长安科技有限公司） ； School of Advanced Interdisciplinary Sciences, UCAS（中国科学院大学先进交叉科学学院） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） 纠错

专题命中 视频生成 ：video generation(abstract)

AI总结 DreamerAD通过压缩扩散采样将步骤从100步减少到1步，实现80倍加速并保持视觉可解释性，解决了自动驾驶中真实世界数据训练成本高和安全风险大的问题。

Comments authors update

Collaborative AI Agents and Critics for Fault Detection and Cause Analysis in Network Telemetry

协同AI代理与批评者用于网络遥测中的故障检测与原因分析

Syed Eqbal Alam, Zhan Shu

机构 * Department of Electrical and Computer Engineering, University of Alberta（阿尔伯塔大学电气与计算机工程系） ； SheQAI Research（SheQAI研究） 纠错

专题命中 视频生成 ：video generation(abstract)

AI总结 本文提出一种多代理联邦系统，通过AI代理与批评者协作完成网络遥测中的故障检测、严重性和原因分析等多模态任务，利用多时间尺度随机逼近技术保证收敛性，通信开销低且隐私保护。

ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation

ReinDriveGen：强化学习后训练用于分布外驾驶场景生成

Hao Zhang, Lue Fan, Weikang Bian, Zehuan Wu, Lewei Lu, Zhaoxiang Zhang, Hongsheng Li

机构 * MMLab, CUHK（MMLab，香港中文大学） ； CASIA（中国科学院自动化研究所） ； SenseTime Research（商汤科技研究院） 纠错

专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV

AI总结 ReinDriveGen通过动态点云场景生成与强化学习后训练，实现对驾驶场景的可控生成，提升安全关键场景的模拟质量。

Comments Project page: https://drive-sim.github.io/ReinDriveGen/

PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement

PHASOR：基于解剖和相位一致的体积扩散用于CT虚拟对比增强

Zilong Li, Dongyang Li, Chenglong Ma, Zhan Feng, Dakai Jin, Junping Zhang, Hao Luo, Fan Wang, Hongming Shan

机构 * Shanghai Key Lab of Intelligent Information Processing, School of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院上海市智能信息处理重点实验室） ； Institute of Science and Technology for Brain-inspired Intelligence and MOE Frontiers Center for Brain Science, Fudan University（复旦大学类脑智能科学与技术研究院及教育部脑科学前沿中心） ； Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心） ； Department of Radiology, First Affiliated Hospital of College of Medical Science, Zhejiang University（浙江大学医学院附属第一医院放射科） ； Alibaba DAMO Academy（阿里巴巴达摩院） 纠错

专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV

AI总结 本文提出PHASOR框架，通过体积扩散模型提升CT虚拟对比增强质量，引入解剖路由混合专家和强度-相位意识表示对齐模块，解决解剖异质性和空间偏移问题。

MotionGrounder: Grounded Multi-Object Motion Transfer via Diffusion Transformer

MotionGrounder: 通过扩散变换器实现多物体运动迁移

Samuel Teodoro, Yun Chen, Agus Gunawan, Soo Ye Kim, Jihyong Oh, Munchurl Kim

机构 * School of Electrical Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院电气工程学院） ； Adobe Research（Adobe研究院） ； CMLab, Chung-Ang University（中央大学CMLab） 纠错

专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV

AI总结 本文提出MotionGrounder，一种基于扩散变换器的多物体运动迁移框架，通过流式运动信号和对象-描述对齐损失实现稳定运动先验和空间对齐，实验显示其在定量、定性和人类评估中均优于现有方法。

Comments Please visit our project page at https://kaist-viclab.github.io/motiongrounder-site/

HICT: High-precision 3D CBCT reconstruction from a single X-ray

HICT: 从单张X射线实现高精度3D CBCT重建

Wen Ma, Jiaxiang Liu, Zikai Xiao, Ziyang Wang, Feng Yang, Zuozhu Liu

机构 * Zhejiang University（浙江大学） ； Angelalign Technology Inc.（时代天使科技有限公司） 纠错

专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV

AI总结 本文提出HICT框架，通过视频扩散模型生成多视角投影并结合动态注意力网络与X射线采样策略，实现高精度CBCT重建，实验表明其在临床应用中表现优异。

Beyond the Golden Data: Resolving the Motion-Vision Quality Dilemma via Timestep Selective Training

超越黄金数据：通过时间步选择性训练解决运动-视觉质量困境

Xiangyang Luo, Qingyu Li, Yuming Li, Guanbo Huang, Yongjie Zhu, Wenyu Qin, Meng Wang, Pengfei Wan, Shao-Lun Huang

机构 * Tsinghua University（清华大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） 纠错

专题命中 动作与事件理解 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV

AI总结 本文提出TQD方法，通过时间步选择性训练解决视频生成中运动与视觉质量的矛盾，证明在不平衡数据上训练可超越传统高质量数据训练效果。

Comments Accepted to CVPR 2026

ONE-SHOT: Compositional Human-Environment Video Synthesis via Spatial-Decoupled Motion Injection and Hybrid Context Integration

ONE-SHOT：通过空间解耦的运动注入与混合上下文整合进行组合人类-环境视频合成

Fengyuan Yang, Luying Huang, Jiazhi Guan, Quanwei Yang, Dongwei Pan, Jianglin Fu, Haocheng Feng, Wei He, Kaisiyuan Wang, Hang Zhou, Angela Yao

机构 * National University of Singapore（新加坡国立大学） ； Baidu Inc.（百度公司） 纠错

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ONE-SHOT框架，通过空间解耦运动注入和混合上下文整合，实现高效的人类-环境视频合成，优于现有方法，具有更好的结构控制和创意多样性。

Comments 23 pages, 7 figures

TTA-Vid: Generalized Test-Time Adaptation for Video Reasoning

TTA-Vid: 视频推理的通用测试时间适应

Soumya Shamarao Jahagirdar, Edson Araujo, Anna Kukleva, M. Jehanzeb Mirza, Saurabhchand Bhati, Samuel Thomas, Brian Kingsbury, Rogerio Feris, James R. Glass, Hilde Kuehne

机构 * University of Tübingen（蒂宾根大学） ； MIT（麻省理工学院） ； IBM Research（IBM研究院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Tuebingen AI Center（蒂宾根人工智能中心） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

专题命中 长视频与时序推理 ：video reasoning(title,abstract)；video-language(abstract)；分类 cs.CV

AI总结 本文提出TTA-Vid方法，通过测试时间强化学习实现视频推理模型的适应，无需标注数据即可在测试时泛化至新领域。

CL-VISTA: Benchmarking Continual Learning in Video Large Language Models

CL-VISTA：视频大语言模型持续学习基准测试

Haiyang Guo, Yichen Shi, Fei Zhu, Wenzhuo Liu, Hongbo Zhao, Fanhu Zeng, Shijie Ma, Da-Han Wang, Xu-Yao Zhang

机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学前沿交叉科学学院） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； FKLPRIU, School of Computer and Information Engineering, Xiamen University of Technology（厦门理工学院计算机与信息工程学院福建省模式识别与图像理解重点实验室） 纠错

专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV

AI总结 CL-VISTA通过8个多样化任务诱导分布偏移，评估持续学习方法在性能、效率和内存方面的权衡，揭示无单一最优解的特性。

Comments Preprint