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。
Video-Zero: 自主进化视频理解
机构 * Tsinghua University（清华大学） ； Tencent（腾讯） ； Tongji University（同济大学） ； Peking University（北京大学）
专题命中 视频理解 ：video understanding(title,abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 本文提出Video-Zero框架，通过无标注的Questioner-Solver共进化机制，聚焦时间局部证据，提升视频理解的自进化能力，验证了证据中心自进化方法的有效性与迁移性。
CoRDS：基于核心集的代表性与多样性选择用于流视频理解
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 本文提出CoRDS方法，通过核心集选择优化流视频理解中的缓存压缩，提升代表性与多样性，优于传统启发式方法。
REVISOR：超越文本反思，迈向长视频理解的多模态反思推理
机构 * MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus实验室） ； Renmin University of China（中国人民大学）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 REVISOR通过多模态反思框架提升长视频理解能力，解决纯文本反思在动态视觉输入和跨模态交互上的不足，采用Dual Attribution Decoupled Reward机制增强因果对齐，无需额外监督微调即在多个基准测试中取得优异成绩。
ViMU：视频隐喻理解基准测试
机构 * National University of Singapore（新加坡国立大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 ViMU旨在评估视频理解模型对隐含意义的识别能力，通过多模态证据推理，解决现有模型对隐喻、讽刺和社会意义理解不足的问题。
RAPO++: 通过数据对齐和测试时缩放实现文本到视频生成的跨阶段提示优化
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV
AI总结 RAPO++通过数据对齐和测试时缩放，结合训练数据对齐、测试时迭代缩放和大语言模型微调，提升文本到视频生成效果，无需修改生成基础模型。
Comments arXiv admin note: text overlap with arXiv:2504.11739
通过推理时间引导进行组合视频生成
机构 * Tel-Aviv University（特拉维夫大学） ； Bar Ilan University（巴伊兰大学） ； NVIDIA Research（NVIDIA研究）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出CVG方法，通过利用交叉注意力图中的空间时间接地信号，提升冻结文本到视频模型的组合忠实度，无需修改模型结构或微调生成器。
面向运动的缓存机制用于高效的自回归视频生成
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（多媒体可信感知与高效计算重点实验室，中国教育部，厦门大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心）
专题命中 视频生成 ：video generation(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出MotionCache，通过利用帧间差异作为轻量级像素运动特征代理，优化自回归视频生成中的缓存重用策略，实现6.28倍和1.64倍的速度提升，同时保持生成质量。
Comments 20 pages
EntityBench：迈向实体一致的长程多次视频生成
机构 * ByteDance（字节跳动） ； ByteDance Seed（字节跳动种子） ； Rice University（罗切斯特大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 EntityBench通过140集（2491个镜头）的真实叙事媒体，构建了包含实体调度的评估基准，结合三支柱评估体系和fidelity gate，评估实体一致性。EntityMem作为基线方法，通过存储验证的实体视觉参考提升生成质量。
Comments Project page: https://catherine-r-he.github.io/EntityBench/
Warp-as-History：从单个训练视频生成可泛化的相机控制视频
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出Warp-as-History方法，通过将相机诱导的变形转化为相机变形的伪历史，实现无需训练的零样本相机轨迹生成，提升视频生成的相机顺应性和视觉质量。
Comments Project page: https://yyfz.github.io/warp-as-history/
DriveCtrl: 基于条件的仿真到现实驾驶视频生成
机构 * University of Warwick（沃里克大学） ； Northwestern Polytechnical University（西北工业大学） ； Queen Mary University of London（伦敦大学玛丽女王学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出DriveCtrl框架，通过深度条件生成逼真的驾驶视频，保留场景结构和运动模式，提升生成视频的现实感和时序一致性，同时引入可扩展的数据生成管道和Driving Video Realism Score评估指标。
MechVerse：评估视频生成模型中物理运动一致性
机构 * School of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程学院） ； School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 MechVerse通过机械一致的图像到视频生成基准，评估视频生成模型在物理运动一致性上的不足，发现现有模型在复杂耦合中表现不佳。
Comments Under Review
强制头部：通过头部异质性实现长自回归视频生成
机构 * AGI Lab, Westlake University University of California at Merced StepFun
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Head Forcing框架，通过差异化分配KV缓存策略提升长视频生成质量，实现分钟级生成并支持多提示交互。
PhyMotion: 结构化3D运动奖励用于物理基础的人体视频生成
机构 * UNC Chapel Hill（UNC夏洛特希尔大学） ； FieldAI ； NTU Singapore（新加坡国立大学） ； AI2 ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出PhyMotion，一种结构化的3D运动奖励机制，通过物理模拟器评估人体运动的物理可行性，提升视频生成中人体动作的真实感。
Comments First two authors contributed equally, website: https://phy-motion.github.io/
探究视频模型的摄像机控制
机构 * Visual Geometry Group University of Oxford（视觉几何组牛津大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出通过几何引导而非隐式映射实现摄像机控制，有效提升视频生成模型的几何表现力，并揭示了基础模型的摄像机控制偏见与差异。
RefDecoder：通过条件视频解码增强视觉生成
机构 * University of Washington（华盛顿大学） ； 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(abstract)；分类 cs.CV
AI总结 本文提出RefDecoder，通过引入高保真参考图像信号提升视频生成质量，改进解码器结构以保持结构完整性，在多个基准测试中取得显著提升。
Sat3DGen：从单张卫星图像生成全面的街景3D场景
机构 * LIESMARS & School of Artificial Intelligence, Wuhan University（珞珈实验室与武汉大学人工智能学院） ； EPFL（苏黎世联邦理工学院） ； HKUST（香港科技大学） ； Northeastern University（东北大学） ； Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Amap, Alibaba Group（高德地图，阿里巴巴集团）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出Sat3DGen，通过几何优先方法提升从单张卫星图像生成高精度3D场景的性能，改进几何精度和真实感，并在新基准上验证其效果。
Comments ICLR 2026; code: https://github.com/qianmingduowan/Sat3DGen demo: https://huggingface.co/spaces/qian43/Sat3DGen project page: https://qianmingduowan.github.io/Sat3DGen_project_page/
TeDiO：基于时间对角优化的训练自由一致视频扩散
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Futurewei Technologies Inc（未来科技有限公司） ； UCSD（加州大学圣迭戈分校）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 TeDiO通过优化内部注意力模式提升视频生成的时序一致性，无需训练或外部监督，实现更流畅的动态表现。
Comments CVPR'26 Workshop on Agentic AI for Visual Media
CreFlow：稀疏奖励具身视频扩散强化学习的纠正回流
机构 * Northwestern University（西北大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学）
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CreFlow框架，通过信用感知NFT损失和纠正回流损失提升高维视频生成性能，有效解决稀疏奖励下的具身任务执行问题。
MoZoo：释放视频扩散在动物毛发和肌肉模拟中的潜力
机构 * tabular c 1 Tsinghua University 2 University of Glasgow 3 The Chinese University of Hong Kong 4 HUIJING Digital Media \& Entertainment Group 2mm Project Page: tabular
专题命中 视频扩散模型 ：video diffusion(title)；分类 cs.CV
AI总结 MoZoo通过引入Role-Aware RoPE和Asymmetric Decoupled Attention，实现高保真动物视频生成，同时构建了MoZoo-Data和MoZooBench进行评估，提升了毛发和肌肉动态模拟的效率与质量。
Comments Github Page:https://dongxialiu15.github.io/MoZoo/
RAVEN: 实时自回归视频外推与一致性模型GRPO
机构 * Imperial College London（伦敦帝国学院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 RAVEN通过将自回归视频扩散模型的训练与测试过程结合，提升长时视频生成质量。CM-GRPO方法优化一致性采样，提高生成效果。
Comments Project Page: https://yanzuo.lu/raven
SEDiT: 一种基于单步扩散变换器的无掩膜视频字幕擦除方法
机构 * Baidu Inc.（百度公司）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 SEDiT提出一种单步扩散变换器方法，实现无掩膜视频字幕擦除，通过理论证明和实验验证，解决字幕擦除中的局部编辑问题和长期时间一致性挑战。
Comments Project page:http://zheng222.github.io/SEDiT_project
CoReDiT：基于空间一致性引导的令牌剪枝与重建用于高效的扩散变换器
机构 * Qualcomm AI Research（高通人工智能研究）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 CoReDiT通过空间一致性引导的令牌剪枝与重建，显著降低扩散变换器的计算量，提升推理速度，同时保持高质量视觉输出。
Comments 8 pages, 8 figures, CVPR workshop
Journal ref 2026 CVPR Workshop of EDGE
EverAnimate：通过潜在流恢复实现分钟级人类动画
机构 * EPFL（瑞士联邦理工学院）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 EverAnimate通过潜在流恢复技术，在保持视觉质量和角色身份的同时，高效生成长时域动画视频，解决了动态人类动作与静态环境之间的生成漂移问题。
Comments Project Page: https://everanimate.github.io/homepage/
几何一致性定量视频世界模型评估
机构 * Tsinghua University - IEI Lab（清华大学-IEI实验室） ； UW-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究院）
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PDI-Bench框架，通过分割与点跟踪获取物体中心观测，利用单目重建获取3D坐标，计算投影几何残差以评估生成视频的几何一致性，揭示视频生成器的特定失败模式。
Comments 12 pages, 5 figures. Project page : https://pdi-bench.github.io/
SteerSeg: 基于注意力引导的视频分割
机构 * Macquarie University（麦考瑞大学） ； York University（约克大学） ； CSIRO Data61（CSIRO数据61） ； UTS（UTS大学）
专题命中 其他视频模型 ：video reasoning(abstract)；分类 cs.CV
AI总结 SteerSeg通过输入级条件引导解决注意力对齐问题，结合可学习软提示和推理引导的CoT提示，提升视频分割的时空定位能力。
Comments Project page: https://steerseg.github.io
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