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。
FCMBench-Video：文档视频智能基准测试
机构 * AI Lab, Qifu Technology（启赋科技AI实验室） ； College of Future Information Technology, Fudan University（复旦大学未来信息学院） ； School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； Pazhou Lab（琶洲实验室）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV、cs.MM
AI总结 本文提出FCMBench-Video基准测试，用于评估文档视频理解中的文档感知、时间定位和证据推理能力，通过真实场景数据验证系统性能，揭示不同任务的敏感性和能力差异。
MTAVG-Bench: 多说话人对话中心音频视频生成的诊断基准
机构 * Beijing Institute of Technology（北京理工大学） ； Shanghai University（上海大学） ； OpenNLP Lab（OpenNLP实验室） ； Beijing University of Technology（北京工业大学） ； The University of Adelaide（阿德莱德大学） ； Tsinghua University（清华大学） ； Inkeverse Group Limited（Inkeverse集团）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.MM
AI总结 本文提出MTAVG-Bench，用于评估多说话人对话中心音频视频生成的失败模式诊断，通过半自动化流程生成1.8k视频并标注2.4k问答对，评估音频视频信号保真度、时间属性一致性、社交互动和电影表现四个层面。
ExoActor：作为可泛化的交互人形控制的外向视频生成
机构 * Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 本文提出ExoActor框架，利用大规模视频生成模型的泛化能力，通过第三人称视频生成统一接口建模交互动态，将任务指令和场景上下文转化为可执行的人形行为序列，展示了其在新场景中的泛化能力。
Comments Work in progress. Project page: https://baai-agents.github.io/ExoActor/
PhyCo：学习可控制的物理先验以生成运动
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； UC San Diego（圣地亚哥大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 PhyCo通过整合物理可控的生成模型，实现了在视频生成中物理一致性和可控性的提升，无需模拟器或几何重建。
Comments CVPR 2026. Project Page: https://phyco-video.github.io/
从人类视频学习机器人：综述
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文综述了通过人类视频学习机器人技能的方法，探讨了政策学习基础、人类视频接口、技能转移层次分类及数据基础，分析了挑战与未来研究方向。
Comments Paper list: https://github.com/IRMVLab/awesome-robot-learning-from-human-videos
GVCC：基于代码本驱动的随机修正流零样本视频压缩
机构 * Graduate School of Fundamental Science and Engineering, Waseda University（早稻田大学基础科学与工程研究生院）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 GVCC通过预训练视频生成模型直接作为解码器，在极低比特率下实现高质量视频重建，通过编码生成轨迹的随机创新信息，提升压缩效率。
Comments 9 pages, 3 figures
YOSE: 你只选择本质的标记以实现高效的DiT基于视频对象移除
机构 * VCIP, CS, Nankai University（南开大学计算机科学与技术学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； NKIARI, Shenzhen Futian（深圳南山研究院）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 YOSE通过引入BVI和DiffSim模块，实现了高效的DiT视频对象移除，通过动态选择关键标记和模拟扩散过程，使推理时间与遮挡区域线性相关，从而在70%的情况下达到2.5倍的加速，同时保持视觉质量。
Comments accepted by CVPR2026
D-Rex：基于扩散的可重新照明表达性人体虚拟角色
专题命中 视频扩散模型 ：video diffusion(abstract)
AI总结 D-Rex提出一种人特定框架，实现真实感、可重新照明、表达性和可动画化的全身体虚拟角色，通过图像空间后处理实现与虚拟角色建模的解耦，优于基于物理的可重新照明虚拟角色基线。
ABC：通过非马尔可夫扩散桥实现连续时间和空间中的任意子集自回归
机构 * Stanford University（斯坦福大学）
专题命中 视频扩散模型 ：video generation(abstract)
AI总结 本文提出ABC模型，通过非马尔可夫扩散桥在连续时间和空间中实现任意子集的自回归，解决了传统方法在结构相似性捕捉、噪声注入和条件化任意子集方面的不足。
语境至关重要：通过VLM动作解析和LLM序列分类进行同伴感知的学生行为参与度测量
机构 * University of Louisville（路易斯维尔大学）
专题命中 动作与事件理解 ：long video(abstract)；分类 cs.CV
AI总结 本文提出一种三阶段框架，通过VLM动作识别和LLM序列分类，结合课堂语境中的同伴行为，有效测量学生参与度。
Comments accepted to the Computer Vision for Education (CV4Edu) workshop, CVPR 2026
AesRM：通过专家级反馈提升视频美学
机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Sydney（悉尼大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出AesRM框架，通过分解视频美学为视觉美学、视觉保真度和视觉合理性三个维度，构建了专家标注的AesVideo-Bench基准，并开发了AesRM-Base和AesRM-CoT模型，提升了视频美学评估的准确性和可解释性。
Comments 37 pages, 14 figures, 12 tables
共进化策略蒸馏
机构 * Institute of Information Engineering, CAS（中国科学院信息工程研究所） ； School of Cyber Security, UCAS（中国科学院大学网络空间安全学院）
专题命中 其他视频模型 ：video reasoning(abstract)
AI总结 本文提出CoPD，通过并行训练专家并引入OPD，在专家RLVR训练过程中实现双向知识传递，提升多模态推理能力，优于现有方法。
Comments Work in progress
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