视频大模型 - arXivDaily 专题

2605.16579 2026-05-22 cs.CV cs.LG 85%

Attend Locally, Remember Linearly: Linear Attention as Cross-Frame Memory for Autoregressive Video Diffusion

局部关注，线性记忆：线性注意力作为跨帧记忆用于自回归视频扩散

Kunyang Li, Mubarak Shah, Yuzhang Shang

机构 * Institute of Artificial Intelligence, University of Central Florida（中央佛罗里达大学人工智能研究所）

专题命中视频扩散模型：video diffusion(title,abstract)；video generation(abstract)；long video(abstract)；分类 cs.CV

AI总结本文提出了一种名为ARL2的混合注意力模块，通过将二次跨帧注意力替换为固定大小的递归状态，解决了自回归视频扩散模型在长视频生成中的可扩展性瓶颈问题，实现了线性时间复杂度和常数内存消耗，同时提升了时间一致性。

2605.22344 2026-05-22 cs.CV cs.AI cs.MM 81%

Bernini: Latent Semantic Planning for Video Diffusion

Bernini: 视频扩散中的潜在语义规划

Bernini Team, Chenchen Liu, Junyi Chen, Lei Li, Lu Chi, Mingzhen Sun, Zhuoying Li, Yi Fu, Ruoyu Guo, Yiheng Wu, Ge Bai, Zehuan Yuan

机构 * Bernini Team（伯尼尼团队）

专题命中视频扩散模型：video diffusion(title)；video generation(abstract)；分类 cs.CV、cs.MM

AI总结本文提出Bernini框架，通过将大规模多模态语言模型用于语义规划，扩散模型用于像素生成，实现了视频生成与编辑的统一方法，提升了编辑任务的泛化能力。

Comments Project Page: https://bernini-ai.github.io/

2605.22015 2026-05-22 cs.CV cs.AR 74%

ORBIS: Output-Guided Token Reduction with Distribution-Aware Matching for Video Diffusion Acceleration

ORBIS: 通过分布感知匹配的输出引导标记减少以加速视频扩散

Hangyeol Lee, Joo-Young Kim

机构 * KAIST（韩国科学技术院）

专题命中视频扩散模型：video diffusion(title)；分类 cs.CV

AI总结本文提出ORBIS，一种针对视频扩散Transformer的SW-HW协同设计加速器，通过利用前一时间步的输出激活获得更准确的token相似性，从而提高匹配质量并实现更高的标记减少比例，同时引入分布感知标记匹配算法和专用硬件设计，实现比现有方法更高的标记减少率、更快的速度和更低的能耗。

2605.21766 2026-05-22 cs.CV cs.GR 70%

BodyReLux: Temporally Consistent Full-Body Video Relighting

BodyReLux: 时序一致的全身人体视频重照明

Li Ma, Mingming He, Xueming Yu, David M. George, Ahmet Levent Taşel, Paul Debevec, Julien Philip

机构 * Eyeline Labs（Eyeline实验室）

专题命中视频扩散模型：video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV

AI总结本文提出BodyReLux，一种基于视频扩散的框架，用于在时序一致的方式下重照明全身人体表演。该方法利用混合数据集训练，结合传统静态单光源捕捉和新型动态表演捕捉技术，通过引入新的光照条件表示方法和数据增强管道，实现了高质量、鲁棒且时序一致的视频重照明。

Comments Siggraph 2026 Journal Track. Project page: https://eyeline-labs.github.io/bodyrelux/

2510.17991 2026-05-22 cs.LG cs.CV 57%

Demystifying Transition Matching: When and Why It Can Beat Flow Matching

解开转换匹配之谜：何时以及为何它能超越流匹配

Jaihoon Kim, Rajarshi Saha, Minhyuk Sung, Youngsuk Park

机构 * KAIST（韩国科学技术院）； Amazon Web Services（亚马逊网络服务）

专题命中视频扩散模型：video generation(abstract)；分类 cs.CV

AI总结本文研究了转换匹配（TM）在何时以及为何能超越流匹配（FM），通过证明在单峰高斯分布下TM具有更低的KL散度，并分析了在高斯混合分布中TM在局部单峰区域的优势，以及在目标方差非可忽略时TM的优越性。

Comments Code: https://github.com/amazon-science/TransitionFlowMatching (AISTATS 2026)

2604.17623 2026-05-22 cs.CV cs.GR 57%

ViPS: Video-informed Pose Spaces for Auto-Rigged Meshes

ViPS: 为自动绑定网格的视频感知姿态空间

Honglin Chen, Karran Pandey, Rundi Wu, Matheus Gadelha, Yannick Hold-Geoffroy, Ayush Tewari, Niloy J. Mitra, Changxi Zheng, Paul Guerrero

机构 * Columbia University（哥伦比亚大学）； University of Toronto（多伦多大学）； Adobe Research（Adobe研究）； University of Cambridge（剑桥大学）； University College London（伦敦大学学院）

专题命中视频扩散模型：video diffusion(abstract)；分类 cs.CV

AI总结本文提出ViPS，一种通过视频扩散模型提取运动先验来发现自动绑定网格有效姿态分布的前馈框架，实现了对多样形状变化、逆向运动学和动画的关键帧生成的支持。

Comments Project page: https://honglin-c.github.io/vips/

1. 视频扩散模型 6 篇