AI 大模型

视频大模型

视频理解、视频生成、视频语言模型和时序视觉推理。

2026-05-20 至 2026-05-20 共收录 2 篇信号源：cs.CV, eess.IV, cs.MM

1. 视频问答 2 篇

2505.16819 2026-05-20 cs.CV 57%

从场景级提示生成以角色为中心的对话

Taewon Kang, Ming C. Lin

机构 * University of Maryland at College Park, United States（马里兰大学学院市分校，美国）

专题命中视频问答：video generation(abstract)；分类 cs.CV

AI总结本研究提出了一种模块化流程，将动作级提示转化为视觉和听觉上一致的对话，丰富了基于场景的故事叙述。通过预训练的视觉-语言编码器提取高级视觉语义，并结合结构化提示引导大型语言模型生成对话。引入递归叙述银行以保持跨场景的上下文和情感一致性，最终生成具有表现力的角色条件语音，产生完整的视听叙事。

Comments Accepted to the 2026 IEEE International Conference on Image Processing (ICIP 2026). 18 pages, 5 figures

2605.19390 2026-05-20 cs.CV 57%

LMM-Track4D: 通过轨迹引导的对话激发LMM中的4D动态推理

Chaoyue Li, Yongxue Xu, Jie Feng, Jiayu Ding

机构 * Huazhong University of Science and Technology（华中科技大学）； Sun Yat-sen University（中山大学）； Beihang University（北航）； Peking University（北京大学）

专题命中视频问答：video understanding(abstract)；分类 cs.CV

AI总结本文提出LMM-Track4D任务，通过轨迹引导的多轮时空对话，结合RTGE、TRK和OSK-RA解码器，提升LMM在4D动态推理中的性能，实验表明显式动态状态建模是有效设计原则。