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。
SVAgent：通过跨模态多智能体协作实现故事线引导的长视频理解
机构 * BCML, Heriot-Watt University（赫瑞瓦特大学BCML） ； Nanyang Technological University（南洋理工大学） ； Peking University（北京大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(title)；分类 cs.CV
AI总结 SVAgent通过跨模态多智能体协作，利用故事线引导实现视频问答的高效理解，提升推理鲁棒性和答案一致性。
Comments Published in CVPR2026
HumANDiff: 关节化噪声扩散用于运动一致的人体视频生成
机构 * Stability AI
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 HumANDiff通过关节化噪声采样、联合外观-运动学习和几何运动一致性学习，实现高保真人体视频生成，支持多样化的服装风格。
Comments Project page: https://taohuumd.github.io/projects/HumANDiff/
MATRIX：用于交互感知视频生成的遮罩跟踪对齐
机构 * KAIST AI（韩国科学技术院人工智能系）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 MATRIX通过引入遮罩跟踪对齐方法，提升视频生成中交互感知能力，增强语义对齐与传播，减少漂移和幻觉。
Comments Project Page is available at: https://cvlab-kaist.github.io/MATRIX/, ICLR 2026
通过视频思考：视频生成作为一种有前途的多模态推理范式
机构 * Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身智能研究所） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海市多模态具身人工智能重点实验室） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； The Chinese University of Hong Kong（香港中文大学） ； Central South University（中南大学） ； Fudan University（复旦大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出'通过视频思考'范式，利用视频生成模型实现多模态推理，通过VideoThinkBench评估显示Sora-2在视觉和文本任务中均表现出色，证明视频生成模型在统一多模态理解与生成中的潜力。
Comments 34 pages, 17 figures
TRANSPORTER：从VLM流形转移视觉语义
机构 * University of Twente, NL（荷兰特温特大学）
专题命中 视频生成 ：video generation(abstract)；video understanding(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出TRANSPORTER方法，通过logits-to-video任务生成视频，揭示VLM预测背后的规则，为模型可解释性提供新方向。
Comments Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026, Project page: https://alexandrosstergiou.github.io/TRANSPORTER
生成AI用于视频预告片合成：从提取启发式方法到自回归创造力
机构 * Google LLC（谷歌有限责任公司）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 本文综述了自动视频预告片生成领域从启发式提取到深度生成合成的转变，探讨了自回归Transformer、LLM协同流程和文本到视频基础模型等生成技术，并讨论了高保真神经合成的伦理挑战。
Comments 7 pages, 3 figures, accepted in WSDM 2026
Diff4Splat：基于潜在动态重建模型的可控4D场景生成
机构 * Peking University（北京大学） ； Xiamen University（厦门大学） ； CUHK（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视频扩散模型 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 Diff4Splat通过单张图像和相机轨迹生成可控的4D场景，结合视频扩散模型的生成先验与大规模4D数据集学习的几何和运动约束，在单次前向传递中直接预测可变形3D高斯场，无需测试时优化。
Comments Accepted to CVPR 2026. Project page: https://paulpanwang.github.io/Diff4Splat
MotionAdapter: 通过内容感知注意力定制实现视频动作迁移
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； The Hong Kong University of Science and Technology（香港科技大学） ； Ocean University of China（中国海洋大学） ； Singapore Management University（新加坡管理大学）
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MotionAdapter框架，通过解耦动作与外观并自适应定制动作，实现DiT视频扩散模型中的稳健动作迁移，实验表明其在质量和定量评估中优于现有方法，支持复杂动作迁移与编辑。
VideoTIR：通过高效工具集成推理实现长视频的准确理解
机构 * Nanjing University（南京大学） ； Nankai University（南开大学） ； East China Normal University（华东师范大学） ； Tencent（腾讯） ； MiroMind ； Nanyang Technological University（南洋理工大学）
专题命中 长视频与时序推理 ：long video(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 本文提出VideoTIR，通过强化学习优化工具调用策略，提升长视频理解的准确性和效率，结合零样本RL和SFT冷启动方法，减少冗余调用并生成高质量轨迹数据。
矩阵游戏2.0：一个开源的实时和流式交互世界模型
机构 * Skywork AI（天工AI）
专题命中 长视频与时序推理 ：video generation(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出Matrix-Game 2.0，通过少步自回归扩散生成长视频，解决传统交互世界模型实时性差的问题，实现25FPS高速生成。
Comments Project Page: https://matrix-game-v2.github.io
BulletGen: 通过子弹时间生成提升4D重建
机构 * Meta Reality Labs（Meta 现实实验室）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 BulletGen利用生成模型在Gaussian动态场景表示中校正错误并补全缺失信息，通过对扩散视频生成模型输出与4D重建在单个冻结子弹时间步骤的对齐，实现新颖视角合成和2D/3D跟踪任务的最先进结果。
Comments Accepted at CVPR 2026 Workshop "4D World Models: Bridging Generation and Reconstruction"
MINERVA-Cultural: 一个用于文化和多语言长视频推理的基准
机构 * Google DeepMind（谷歌DeepMind） ； UC Berkeley（加州大学伯克利分校）
专题命中 视频数据与评测 ：video reasoning(title,abstract)；long video(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 本文提出MINERVA-Cultural基准，旨在解决现有视频评估中文化偏见问题，通过多语言多文化视频数据和原生语言问题，推动视频推理模型的发展。
Comments Accepted to CVPR 2026
Video-MME-v2：迈向综合视频理解基准的下一阶段
专题命中 视频数据与评测 ：video understanding(title,abstract)；分类 cs.CV
AI总结 Video-MME-v2通过三级层次结构和非线性评估策略，评估视频理解的鲁棒性和准确性，揭示当前模型与人类专家间的差距及多模态推理瓶颈。
Comments Homepage: https://video-mme-v2.netlify.app/
在回答前观看：从视觉引导的后训练中学习
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Etude AI ； Kolors Team, Kuaishou Technology（快手科技Kolors团队） ； University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 视频数据与评测 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文发现现有视频理解基准中40-60%的问题可通过文本线索回答，提出VidGround方法通过仅使用视觉引导问题提升VLM性能，实验显示其在后训练中效果优于复杂方法。
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