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。
MedHorizon：迈向真实场景下的长上下文医学视频理解
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Baidu Inc.（百度公司） ； Xidian University（西安电子科技大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 MedHorizon提出一个真实场景下的长上下文医学视频理解基准，通过稀疏证据和多跳临床推理评估，揭示当前系统在完整流程理解上的不足。
HERMES: KV缓存作为分层内存用于高效视频流理解
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； National University of Singapore（新加坡国立大学）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 HERMES提出一种无需训练的架构，通过将KV缓存视为分层内存框架，实现视频流的实时准确理解，提升处理速度并降低内存消耗。
Comments Accepted to ACL 2026 Main
VideoASMR-Bench: AI生成的ASMR视频能否欺骗视觉语言模型和人类？
机构 * The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学） ； Peking University（北京大学） ； Monash University（墨尔本大学） ； Video Rebirth ； University of Oxford（牛津大学）
专题命中 视频理解 ：video generation(abstract)；video understanding(abstract)；分类 cs.CV
AI总结 VideoASMR-Bench通过细粒度音频视觉感知和感官沉浸性评估AI生成ASMR视频的检测能力，揭示了当前VLMs在识别AI生成ASMR视频上的不足以及VGMs生成逼真ASMR视频的能力。
Comments Code is at https://github.com/video-reality-test/video-reality-test, page is at https://video-reality-test.github.io/
REMAP：基于正则化的视频嵌入匹配与部分对齐
机构 * Elmore Family School of Electrical and Computer Engineering（埃尔摩家庭电气与计算机工程学院）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 REMAP通过正则化的融合部分Gromov-Wasserstein最优传输框架，解决现实视频中噪声、冗余和执行差异等问题，提升过程学习效果。
Comments 9 pages, 4 figures, 6 tables
FreeSpec: 通过奇异谱重建实现无训练长视频生成
机构 * College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院） ； Alibaba International Digital Commerce（阿里巴巴国际数字商务） ； Zhejiang University（浙江大学） ； Xiangjiang Laboratory（湘江实验室）
专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 FreeSpec通过奇异谱重建方法解决长视频生成中的内容漂移和时间不一致问题，利用低秩谱引导和高秩重建基，提升空间细节和时间动态的保留能力。
ActCam: 零样本联合摄像机和3D运动控制用于视频生成
机构 * University of Oxford（牛津大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 ActCam通过零样本方法实现视频生成中演员动作与摄像机轨迹的联合控制，通过几何一致的条件生成提升摄像机适应性和动作真实性。
Comments SIGGRAPH 2026
MACE-Dance: 基于动作-外观级联专家的音乐驱动舞蹈视频生成
机构 * Renmin University of China（中国人民大学） ； AMAP, Alibaba Group（阿里集团AMAP） ； Wuhan University（武汉大学） ； Tsinghua University（清华大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出MACE-Dance框架，结合级联混合专家模型，实现音乐驱动的高质量舞蹈视频生成，通过动作和外观专家分别生成3D动作和视频，提升视觉一致性和动作真实感。
Comments Accepted by SIGGRAPH 2026
稀疏视频生成2：通过语义感知排列加速视频生成
机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出SVG2框架，通过语义感知排列提升视频生成的准确性和效率，实现生成质量与效率的帕累托最优。
DOLLAR: 通过蒸馏和潜在奖励优化实现少步视频生成
机构 * Princeton University（普林斯顿大学） ； Adobe Research（Adobe研究）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出结合变分分数蒸馏和一致性蒸馏的方法，实现高质量且多样化的少步视频生成，并通过潜在奖励模型微调提升生成性能，实现高效生成。
RealCam: 通过交互式相机控制实现实时新视角视频生成
机构 * Zhejiang University（浙江大学） ； Xmax.AI Ltd.（Xmax.AI有限公司） ； Hong Kong University of Science and Technology（香港科技大学）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 RealCam提出一种自回归框架，实现交互式实时相机控制的视频到视频生成，通过交叉帧上下文学习和循环闭合数据增强提升生成质量与效率。
Relit-LiVE: 通过联合学习环境视频实现视频照明
机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Huazhong University of Science and Technology（华中科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 Relit-LiVE通过引入原始参考图像和环境视频预测方法，实现了无需相机姿态先验知识的物理一致视频照明，提升了真实场景下的照明效果和时间稳定性。
Comments Accepted at SIGGRAPH 2026. Project site: https://github.com/zhuxing0/Relit-LiVE
重建还是语义？什么使潜在空间对机器人世界模型有用
机构 * Chandar Research Lab（昌达尔研究实验室） ； Mila – Quebec AI Institute（魁北克人工智能研究院） ； Polytechnique Montréal（蒙特利尔理工学院） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文评估了不同潜在空间在机器人世界模型中的有效性，发现语义潜在空间在规划和下游政策性能方面优于重建潜在空间。
Comments 9 pages
从视频先验构建统一的4D世界动作模型
机构 * Tsinghua University（清华大学） ； Xiaomi Robotics（小米机器人） ； Peking University（北京大学） ； CASIA
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出X-WAM，统一了实时机器人动作执行与高保真的4D世界合成，在单一框架中解决传统统一世界模型仅建模2D像素空间且无法平衡动作效率与世界建模质量的问题。
Comments Project website: https://sharinka0715.github.io/X-WAM/
UniE2F: 一种基于视频基础模型的统一扩散框架用于事件到帧重建
机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） ； Department of Computer Science, City University of Hong Kong (Dongguan)（香港城市大学（东莞）计算机科学系）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出UniE2F框架，利用预训练视频扩散模型的生成先验，从稀疏事件数据中重建高保真视频帧，通过引入事件基帧间残差引导提升重建精度，并扩展到零样本视频帧插值与预测。
动作到动作流匹配
机构 * MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室）
专题命中 视频扩散模型 ：video generation(abstract)
AI总结 本文提出A2A方法，通过利用前一动作的本体感知信息进行初始化，避免了随机噪声采样带来的高延迟问题，提升了动作生成的效率和鲁棒性。
Comments 20 pages, 19 figures
自适应贪心帧选择用于长视频理解
机构 * Purdue University（普渡大学）
专题命中 视频问答 ：video understanding(title)；long video(title)；分类 cs.CV
AI总结 本文提出一种自适应贪心帧选择方法，在固定帧预算下联合优化查询相关性和语义代表性，通过构建1FPS候选池并嵌入两种互补空间，提升长视频问答的准确率。
STEER: 通过多目标强化学习进行视频推理的结构事件证据
机构 * University of Western Australia（西澳大学） ； CUHKSZ（香港科技大学） ； Tencent Youtu Lab（腾讯优图实验室） ； SUSTech（南方科技大学） ； Monash University（墨尔本大学）
专题命中 动作与事件理解 ：video reasoning(title)；video understanding(abstract)
AI总结 本文提出结构事件证据方法，通过多目标强化学习解决视频推理中事件结构缺失问题，提出STEER-60K数据集和P-FAB算法提升推理效率与准确性。
EA-WM：事件感知生成世界模型与结构运动-视觉动作场
机构 * Fudan University（复旦大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； University of Science and Technology of China（中国科学技术大学） ； DeepCybo（深瞳）
专题命中 动作与事件理解 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 EA-WM通过结构化运动-视觉动作场闭环连接运动控制与视觉感知，提升机器人空间几何和细粒度交互动态的生成精度。
Comments Preprint. 22 pages, 10 figures
AffectSeek: 长视频中基于模糊用户查询的代理情感理解
机构 * Gansu Provincial Key Laboratory of Wearable Computing, School of Information Science and Engineering, Lanzhou University（甘肃省可穿戴计算重点实验室，兰州大学信息科学与工程学院） ； Guangdong-Hong Kong-Macao Joint Laboratory for Emotional Intelligence and Pervasive Computing, Shenzhen MSU-BIT University（粤港澳大湾区情感智能与泛在计算联合实验室，深圳MSU-BIT大学） ； Department of Computer and Information Engineering, Khalifa University（计算机与信息工程系，哈利法大学） ； Artificial Intelligence Research Institute, Shenzhen MSU-BIT University（人工智能研究院，深圳MSU-BIT大学） ； Department of Electrical and Computer Engineering, The University of Hong Kong（电子与计算机工程系，香港大学）
专题命中 长视频与时序推理 ：long video(title,abstract)；分类 cs.CV
AI总结 本文提出VQAU任务，要求模型在长视频中定位情感时刻、预测情绪类别并生成证据支持的解释。构建VQAU-Bench基准，并提出AffectSeek框架，通过分步推理实现模糊查询驱动的情感理解。
通过激活回放提升大多模态模型的推理能力
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； Tencent Youtu Lab（腾讯云图实验室） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学）
专题命中 长视频与时序推理 ：video reasoning(abstract)；分类 cs.CV
AI总结 本文通过激活回放方法提升大模型的多模态推理能力，通过操控低熵激活来增强推理性能，验证了该方法在数学、视觉代理和视频推理等场景中的有效性。
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