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。
VDEGaussian：基于视频扩散的4D高斯点云用于动态城市场景建模
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出一种结合视频扩散的4D高斯点云方法，解决动态场景建模中快速移动物体建模难题，通过时间一致性先验和不确定性蒸馏提升新型视角合成效果。
Diffusion-APO：基于轨迹的直接偏好对齐用于视频扩散变换器
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出Diffusion-APO，通过同步训练噪声与推理时的去噪路径，解决视频扩散模型与人类意图对齐的问题，采用统一的RLHF框架实现灵活的多阶段偏好对齐，提升视觉质量和指令遵循性能。
语义感知混合格式量化：用于视频扩散变换器的混合格式量化
机构 * Stanford University（斯坦福大学）
专题命中 视频扩散模型 ：video diffusion(title)；video generation(abstract)；分类 cs.CV
AI总结 本文提出SemanticDialect，通过块级混合格式量化和语义感知方言分配，提升视频扩散变换器的量化效果，实验表明其在Open-Sora 2.0上接近FP16质量。
MoCoTalk: 多条件扩散与自适应路由的可控说话头生成
机构 * Imperial College London（帝国理工学院伦敦分校）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 MoCoTalk通过统一身份、头部姿态、面部表情和嘴部动态四个控制信号，提出自适应多条件路由框架，解决异构条件干扰问题，提升可控说话头生成的性能与可控性。
通过残差潜在动作学习基于视觉特征的世界模型
机构 * Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出RLA-WM世界模型，通过流匹配预测残差潜在动作，优于现有特征和视频扩散模型，且在速度和效率上更优，同时开发了两项机器人学习技术。
一种用于从超低比特率表示中重建视频的因果扩散模型
机构 * Chair of Media Technology（媒体技术系） ； Chair of Communication Networks（通信网络系） ； Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与智能机械研究所） ； School of Computation Information and Technology, Technical University of Munich（计算信息与技术学院，慕尼黑技术大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出一种因果扩散模型，用于从超低比特率语义和高度压缩帧中重建视频，通过联合建模互补信息，提升重建质量，优于传统、神经、生成和语义基线方法。
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