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。
DualFact+: 一种用于过程视频理解的多模态事实验证框架
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； Saarland Informatics Campus（萨尔兰信息学校区）
专题命中 视频理解 ：video understanding(title)
AI总结 DualFact+通过双层多模事实验证框架，针对过程视频描述中的概念事实和上下文事实进行评估，揭示了多模态事实 grounding 的挑战。
Comments ACL 2026 Findings
OneThinker：面向图像和视频的统一推理模型
机构 * MMLab, CUHK（CUHK多媒体实验室） ； Meituan Home（美团家）
专题命中 视频理解 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 OneThinker提出一个统一的多模态推理模型，整合图像和视频理解，涵盖问答、描述生成、空间时间定位、跟踪和分割等任务，通过构建大规模训练语料和EMA-GRPO算法提升多任务强化学习效果。
Comments CVPR 2026, Project page: https://github.com/tulerfeng/OneThinker
对齐后再适应：重新思考4D感知中的参数高效迁移学习
机构 * School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院） ； State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University（西安交通大学人机混合增强智能国家重点实验室） ； School of Electrical and Information Engineering, Hunan University（湖南大学电气与信息工程学院） ； National Engineering Research Center for Robot Visual Perception and Control Technology（机器人视觉感知与控制技术国家工程研究中心）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出PointATA方法，通过分阶段对齐和适应解决4D感知中的模态差距和过拟合问题，实现参数高效迁移学习，实验显示其在动作识别、分割等任务中表现优异。
Comments Accepted by IEEE Transactions on Multimedia (Regular Paper)
通过混合注意力与解耦蒸馏实现长时域流式视频生成
机构 * The Hong Kong Polytechnic University（香港理工大学） ； ByteDance（字节跳动） ； City University of Hong Kong（香港城市大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出混合强制方法，通过混合注意力设计联合优化时序信息保留与计算效率，采用轻量线性时序注意力和块稀疏注意力，实现高效稳定流式视频生成，实测在单块H100 GPU上达到29.5 FPS的实时832x480视频生成
视频生成的系统性后训练框架
机构 * The University of Hong Kong（香港大学） ； JD Explore Academy（京东探索研究院） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出系统性后训练框架，通过四个协同阶段提升视频生成的视觉质量、时间一致性和指令遵循性，同时保持预训练阶段的可控性。
Comments Tech report
SynMotion: 语义-视觉适应用于运动定制视频生成
机构 * The University of Hong Kong（香港大学） ； Ant Group（蚂蚁集团） ； Tongyi（通义） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Huazhong University of Science and Technology（华中科技大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 SynMotion通过联合语义指导和视觉适应，解决视频生成中语义与视觉信息的平衡问题，提出双嵌入语义理解机制和参数高效运动适配器，提升运动细节和时间一致性。
Comments Project page: https://lucaria-academy.github.io/SynMotion/
相互推动：双模式自我进化用于快速自回归音频视频生成
机构 * VCIP, School of Computer Science, Nankai University（南开大学计算机科学学院VCIP实验室） ； Tongyi Lab（通义实验室） ； Peking University（北京大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出Mutual Forcing框架，通过双阶段训练策略解决音频视频联合建模与快速自回归生成问题，通过共享参数实现自蒸馏，提升训练推理一致性，相比传统方法更高效且质量更优。
HuM-Eval: 一种以人为中心的视频评估框架
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院）
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 本文提出HuM-Eval框架，通过粗到细策略评估生成视频中的人体运动质量，实验显示其在人体相关性上达到58.2%的平均值，优于现有方法。
Comments Accepted to the 2026 IEEE International Conference on Multimedia and Expo (ICME 2026)
OmniVTG：一种大规模数据集和开放世界视频时间定位的训练范式
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Central Media Technology Institute, Huawei Technologies Ltd.（华为技术有限公司中央媒体技术研究所） ； PKU-WUHAN Institute for Artificial Intelligence, Peking University（北京大学武汉人工智能研究所）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出OmniVTG数据集和Self-Correction Chain-of-Thought训练范式，通过语义覆盖迭代扩展管道构建大规模数据集，并利用多模态大语言模型的密集描述能力提升视频时间定位性能。
Comments CVPR 2026
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