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。
IntentVLM: 通过视频语言模型的前-后向建模实现开放词汇意图识别
机构 * Institute of Intelligent Systems and Robotics (ISIR)（智能系统与机器人研究所）
专题命中 视频理解 ：video-language(title,abstract)；分类 cs.MM
AI总结 本文提出IntentVLM框架，通过前-后向建模提升多模态环境下的人意图识别效果，实验表明其在IntentQA和Inst-IT Bench数据集上达到80%准确率，超越基线30%，接近人类水平。
探索第一人称视频理解中的音频幻觉
机构 * Meta ； University Of Maryland, College Park（马里兰大学学院公园分校）
专题命中 视频理解 ：video understanding(title)；分类 cs.CV
AI总结 本文研究了第一人称视频中音频幻觉问题，提出自动评估框架和分类体系，发现先进AV-LLMs在回答声音相关问题时存在较高幻觉率。
Comments Accepted to ICASSP 2026
PushupBench: 你的VLM在计数俯卧撑时并不出色
机构 * Shengzhi Li（李盛之） ； Jiarun Chen（陈佳润） ； Karun Sharma（Sharma 卡鲁恩） ； Jiaqi Su（苏佳琦） ； Shichao Pei（裴世超）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 PushupBench通过446个长视频片段评估重复计数任务，发现最佳模型准确率仅42.1%，开源模型表现更差，表明计数能力反映更广泛的时序推理能力。
一个身份，多种角色：多模态实体指代用于增强视频情境识别
机构 * CVIT, IIIT Hyderabad, India（IIIT海得拉尔学院计算机视觉研究所，印度） ； Amazon Prime Video, Seattle（亚马逊Prime视频，西雅图）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出多模态实体指代（MEC）方法，通过结合文本和视频信息提升视频情境识别的准确性和一致性，实验结果显示在描述和视觉定位方面均取得显著提升。
Comments Accepted to CVPR 2026 Findings. Project Page: https://katha-ai.github.io/projects/cinemec/
多尺度对比学习用于视频时间定位
机构 * Institute of Data Science (IDS), National University of Singapore（数据科学研究所（IDS），新加坡国立大学） ； Tongji University（同济大学） ； Nanyang Technological University (NTU)（南洋理工大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出多尺度对比学习框架，通过多阶段视频编码器生成样本，无需数据增强或在线记忆库，提升视频时间定位的语义表达。
Comments Accepted at AAAI 2025
StructAlign：结构化跨模态对齐用于连续文本到视频检索
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Xi’an Jiaotong University（西安交通大学） ； Shandong University（山东大学）
专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV
AI总结 本文提出StructAlign，通过结构化跨模态对齐方法解决连续文本到视频检索中的模态错位和特征漂移问题，提升模型持续学习能力。
构建具有人机监督的精确视频语言
专题命中 视频生成 ：video generation(abstract)；video understanding(abstract)；video-language(abstract)；分类 cs.CV、cs.MM
AI总结 本文提出CHAI框架，通过专家与AI协作提升视频描述精度，改进开源模型并实现专业级视频生成。
Comments CVPR 2026 Highlight. Project page: https://linzhiqiu.github.io/papers/chai/
EAD-Net：具有空间细化和时间一致性的情感感知说话头生成
机构 * School of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院）
专题命中 视频生成 ：video generation(abstract)；long video(abstract)；分类 cs.CV、eess.IV
AI总结 EAD-Net通过引入同步网络监督和时空方向注意力机制，提升情感感知说话头生成的唇同步精度和时间一致性，同时利用大语言模型增强情感语义控制。
Comments Main paper (10 pages). Accepted for publication by ICMR(International Conference on Multimedia Retrieval) 2026
是什么驱动了组合泛化？在视觉生成模型中连续训练目标的重要性
机构 * University of Freiburg ； Bosch Center for Artificial Intelligence ； Inria, \'E cole Normale Sup \'e rieure, CNRS, PSL Research University
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究探讨了视觉生成模型中连续训练目标对组合泛化能力的影响，发现训练目标分布的离散或连续性及条件信息对泛化性能有关键作用。
CineAGI：通过LLM协同多模态生成与跨场景整合实现角色一致的电影创作
专题命中 视频生成 ：video generation(abstract)；分类 cs.MM
AI总结 CineAGI通过多代理叙事合成模块、角色中心流水线和分层音视频同步机制，提升电影创作的一致性和质量，实现40%的整体一致性提升。
Comments Accepted to ICME 2026
PhysLayer：基于语言的分层动画与深度感知物理
机构 * Nanjing University（南京大学） ； University of Guelph（圭尔夫大学） ； Zhejiang Sci-Tech University（浙江科技大学） ； Dalian Maritime University（大连海事大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 PhysLayer通过深度感知物理模拟和语言引导，实现静态图像的分层动画生成，提升了物理真实性和可控性，实验结果显示在多个指标上均有显著提升。
Comments Accepted to ICME 2026
学习正确的步骤：面向视觉生成的客观感知过程优化
机构 * University of Science and Technology of China（科学技术大学） ； Shanghai Jiao Tong University（交通大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出OTCA框架，通过细粒度奖励分配提升视觉生成质量，解决传统GRPO在奖励分配上的不足。
TeachMaster: 通过代码生成教学内容
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
专题命中 视频生成 ：video generation(abstract)
AI总结 本文提出Generative Teaching paradigm，通过多智能体框架TeachMaster实现教学内容的自动化生成，提升生产效率并降低教育视频制作成本。
Comments Accepted to ACL 2026; https://www.teachmaster.cn/
FreqFormer：具有自适应频谱路由的分层频域注意力机制用于长序列视频扩散变换器
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV、eess.IV
AI总结 FreqFormer通过分层频域注意力机制，利用视频特征的频谱结构，采用不同操作符处理不同频段，降低长序列视频扩散变换器的计算与内存开销。
Comments 24 pages, 17 figures, 14 tables, Technical Report
潜在帧剪枝：一种无训练方法，连接传统视频压缩与现代扩散变换器以实现高效生成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Futurewei Technologies, Inc.（未来科技公司）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出一种无训练的潜在帧剪枝方法，通过剪枝重复的潜在块来减少计算负担并提高生成速度，同时引入注意力恢复机制以解决训练与推理间的差距。
UpstreamQA：一个用于视频问答任务显式推理的模块化框架
机构 * Lincoln North Star High School（林肯北星高中） ； The Charter School of Wilmington（威尔明顿 charter 学校） ； Greenwich High School（格林威治高中） ； Santa Susana High School（圣塔苏娜高中） ； UC Berkeley（伯克利大学）
专题命中 视频问答 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 本文提出UpstreamQA框架，通过显式推理模块分离和评估视频推理核心组件，提升视频问答任务的性能和可解释性，但可能在基线性能高时导致性能下降。
EMCompress: 具有端态多模态压缩的视频大语言模型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学）
专题命中 视频问答 ：video reasoning(abstract)；video-language(abstract)；分类 cs.CV
AI总结 本文提出端态多模态压缩（EMC）作为视频问答的结构约束充分统计问题，通过端态变换保持答案不变性，提升视频语言理解的训练和推理性能。
DriVerse：通过多模态轨迹提示和运动对齐实现驾驶模拟的导航世界模型
机构 * Baidu Inc.（百度公司）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 DriVerse通过多模态轨迹提示和运动对齐技术，实现从单张图像和未来轨迹生成导航驱动的驾驶场景，提升了动态对象的生成精度和时间一致性。
Comments 13 pages, 5 figures
LoGeR：长上下文几何重建与混合记忆
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 LoGeR通过混合记忆模块实现长序列的高精度3D重建，无需后优化，有效解决长视频中的上下文一致性问题，优于现有方法。
Comments Project page: https://LoGeR-project.github.io/
NVILA：高效的前沿视觉语言模型
机构 * NVIDIA ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； UC San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； Tsinghua University（清华大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 NVILA通过'缩放后再压缩'方法提升效率与准确性，降低训练和推理成本，适用于高分辨率图像和长视频处理。
Comments CVPR 2025. Project page: https://z-lab.ai/projects/nvila/
SceneScribe-1M：一个具有全面几何和语义标注的大规模视频数据集
机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo（宁波数字孪生研究院，东部技术研究院，宁波） ； Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin（浙江工业智能与数字孪生重点实验室）
专题命中 视频数据与评测 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 SceneScribe-1M通过提供一个包含一百万真实视频的数据集，支持3D几何感知与视频合成的统一资源，推动了单目深度估计、场景重建等下游任务及文本到视频合成等生成任务的发展。
Comments Accepted by CVPR 2026
QEVA：一种基于多模态问答的无参考视频文本摘要评估指标
机构 * Department of Artificial Intelligence, Chung-Ang University（Chung-Ang大学人工智能系）
专题命中 视频数据与评测 ：video-language(abstract)；分类 cs.CV
AI总结 本文提出QEVA，一种无参考视频摘要评估指标，通过多模态问答直接评估候选摘要与源视频，从覆盖性、事实性和时间顺序三个维度进行评估，引入MLVU(VS)-Eval基准数据集，实验表明QEVA与人类判断的关联性更高。
Comments Accepted to Findings of EMNLP 2025
GA2-CLIP：通用属性锚点用于视频-语言模型高效提示微调
机构 * Shandong Provincial Key Laboratory of New Power Distribution & Utilization Technology and Equipment, School of Electrical and Electronic Engineering, Shandong University of Technology（山东省新型电力分布与利用技术及设备重点实验室，山东理工大学电气与电子工程学院） ； School of Computer Science and Technology, Shandong University of Technology（山东理工大学计算机科学与技术学院） ； School of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院） ； Pillar of Information Systems Technology and Design, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计 pillar） ； School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）
专题命中 其他视频模型 ：video-language(title)；分类 cs.CV
AI总结 GA2-CLIP通过引入外部监督提示和无关视频集，优化视频任务中V-L模型的泛化性能，防止语义空间过拟合，提升模型在新类别预测上的表现。
Comments Technical Report
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