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。
AdaFocus: 一种基于零缓存回溯的自适应相关性-多样性采样方法以实现高效的长视频理解
机构 * University of Electronic Science and Technology of China（电子科技大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 本文提出AdaFocus框架，通过自适应相关性-多样性采样和零缓存回溯机制，有效平衡长视频理解中的时间覆盖、视觉细节和计算效率，实验表明其在效率-精度权衡上优于现有方法。
Comments 9 pages, 4 figures. Authors Xiao Yang and Yingzhe Ma contributed equally
VideoSEAL: 通过解耦答案权威性来缓解代理长视频理解中的证据错位
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡）
专题命中 视频理解 ：long video(title,abstract)；video understanding(title)；分类 cs.CV
AI总结 本文提出VideoSEAL框架，通过解耦规划与答案权威性，解决长视频理解中证据错位问题，提升回答准确性和证据对齐度，实验结果显示在多个基准上表现优异。
Comments Accepted to ICML 2026. 33 pages, 13 figures. Code and models are available at https://github.com/Echochef/VideoSEAL
ReTool-Video：具有元增强工具定位的递归工具使用视频代理
机构 * Chongqing University（重庆大学） ； Tianjin University（天津大学） ； MAIS, Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院MAIS） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局高性能计算研究所） ； Chongqing National Data AI Research Institute, AI Research Lab（重庆国家数据AI研究院，AI研究实验室）
专题命中 视频理解 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 本文提出ReTool-Video，通过构建元增强视频工具库和递归工具使用方法，提升视频理解的稳定性和效果，实验表明其在多个基准测试中优于现有方法。
通过超越128K上下文的泛化有效训练长上下文视觉-语言模型
机构 * CSE Department, HKUST（香港科技大学计算机科学与工程系）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文研究了长上下文视觉-语言模型的持续预训练，通过平衡数据和检索优化，提出MMProLong模型在长文档VQA等任务中表现优异，且能扩展至更长上下文和多任务场景。
Comments work in progress
学习你需要看到的东西：多模态大语言模型的注视注意力
机构 * NAVER AI Lab（NAVER AI实验室）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出Gaze Attention机制，使多模态大语言模型在生成过程中选择性关注任务相关的视觉区域，减少冗余计算并提升聚焦效果，实验表明其在图像和视频理解任务中性能优于密集注意力基线。
OmniSIFT: 多模态非对称令牌压缩用于高效的多模态大语言模型
机构 * New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences (CASIA)（模式识别新实验室（NLPR）、自动化研究所、中国科学院（CASIA）） ； Nanjing University（南京大学） ； The Hong Kong University of Science（香港科学大学） ； Sichuan University（四川大学） ； Peking University（北京大学）
专题命中 视频理解 ：video understanding(abstract)
AI总结 OmniSIFT通过非对称令牌压缩框架提升多模态大语言模型效率，采用时空视频修剪和视觉引导音频选择模块，实现低参数高鲁棒性。
Comments [ICML 2026] Code Link: https://github.com/dingyue772/OmniSIFT
金字塔强制：面向高质量长视频生成的头部感知金字塔KV缓存策略
机构 * Peking University（北京大学） ； South China University of Technology（华南理工大学） ； Xinjiang University（新疆大学） ； Beihang University（北京航空航天大学） ； Zhongguancun Academy（中关村学院）
专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 本文提出Pyramid Forcing，通过识别不同头部类型并分配特定缓存策略，提升长视频生成质量，实验显示在VBench-Long上Self Forcing得分提升。
CRePE：曲率射线期望位置编码用于统一相机控制的视频生成
机构 * Graduate School of AI（人工智能研究生院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出CRePE，一种基于曲率射线期望的位置编码，用于统一相机模型下的视频生成，通过几何注意力适配器稳定相机控制，提升几何感知和感知质量指标。
Comments 17 pages, 8 figures, Under review
RoboEvolve：用于有限数据的机器人操作共进化规划-模拟器
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 RoboEvolve通过共进化循环提升机器人操作性能，利用无标签种子图像实现高效数据生成，显著提升规划和模拟效果，同时表现出极高的数据效率和持续学习能力。
Comments On-going work
AnyFlow: 任意步视频扩散模型与在线策略流图蒸馏
机构 * NVIDIA ； Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； MIT（麻省理工学院）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 AnyFlow通过优化完整ODE采样轨迹，解决一致性蒸馏在任意步视频生成中的性能退化问题，实现高效在线蒸馏以减少测试时误差。
Comments Project page at https://nvlabs.github.io/AnyFlow/
TrackCraft3R：将视频扩散变换器重新用于密集3D跟踪
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Google DeepMind（谷歌DeepMind）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出TrackCraft3R，通过重新利用预训练的视频扩散变换器，实现了基于单目视频的密集3D跟踪，采用双潜表示和时间RoPE对齐设计，提升了跟踪性能和效率。
Comments Project page and code are available at https://cvlab-kaist.github.io/TrackCraft3r/
GTA: 通过几何然后外观视频扩散推进图像到3D世界生成
机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
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GTA方法，通过几何先于外观的两阶段框架提升3D场景生成的结构精度和视觉质量，同时引入随机潜在shuffle策略和测试时缩放方案，实验表明其在保真度、视觉质量和几何准确性上优于现有方法。
DiffST: 用于现实世界时空视频超分辨率的时空感知扩散模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Duke University（杜克大学） ； Huawei Consumer Business Group（华为消费者业务集团）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 DiffST提出一种高效时空感知视频扩散框架，通过跨帧上下文聚合和视频表示引导提升时空信息利用，实现高效实时世界时空视频超分辨率。
Comments Code is available at: https://github.com/zhengchen1999/DiffST
通过模仿生成视频实现机器人操作
机构 * UIUC（伊利诺伊大学香槟分校） ； UC Irvine（加州大学尔湾分校） ； Columbia University（哥伦比亚大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出RIGVid系统，通过模仿AI生成视频使机器人完成复杂操作任务，无需物理示范或特定机器人训练。系统利用视频扩散模型生成潜在示范视频，并通过视觉语言模型筛选符合指令的视频，再通过6D姿态跟踪器提取轨迹并映射到机器人。实验表明生成视频效果与真实示范相当，且性能随生成质量提升。
Comments In ICLR 2026. Website: https://rigvid-robot.github.io/
StreamGaze：流媒体视频中的目光引导时间推理与前瞻性理解
机构 * University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校） ； Adobe Research（Adobe研究院）
专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV
AI总结 StreamGaze通过引入目光引导的任务评估多模态大语言模型在流媒体视频中的时间推理和前瞻性理解能力，揭示了现有模型在目光引导下的时间推理、意图建模和前瞻性预测方面的局限性。
Comments Accepted to CVPR 2026 with strong scores (5/5/5) but desk-rejected after the camera-ready due to not completing all reviewing duties
GraphThinker: 通过事件图思维强化时间感知的视频推理
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Samsung AI Centre Cambridge（剑桥三星人工智能中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学）
专题命中 动作与事件理解 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 本文提出GraphThinker，通过构建结构化事件表示并强化视觉 grounding，减少视频推理中的时间幻觉。在RexTime和VidHalluc数据集上取得显著提升。
Comments Under review
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