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-MTR: 用于长视频理解的多轮强化推理
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Guangdong University of Technology（广东工业大学） ； X-Era AI Lab（X-Era人工智能实验室）
专题命中 视频理解 ：video understanding(title,abstract)；long video(title,abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 提出Video-MTR框架，通过强化多轮推理迭代选择关键视频片段并理解问题，结合门控双层奖励系统实现端到端训练，在长视频理解基准上提升准确率和效率。
Comments Accepted by ICML 2026. Camera-ready version
面向长视频理解的线性缩放视频视觉语言模型
机构 * Stanford University（斯坦福大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(title)；分类 cs.CV
AI总结 提出StateKV方法，通过固定容量的重要性驱动循环状态实现线性时间视频预填充，在保持接近全自注意力性能的同时显著降低计算成本。
从语言到视觉的反事实推理蒸馏：因果图引导的视频理解后训练
机构 * Rutgers University（新泽西罗格斯大学）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 针对视觉语言模型在反事实推理上的不足，提出CounterVQA基准和CFGPT后训练方法，通过从语言模态蒸馏反事实推理能力提升视频理解。
PEEK: 通过高效知识蒸馏提取关键帧
机构 * Télécom SudParis — SAMOVAR（Telecom SudParis — SAMOVAR） ； Institut Polytechnique de Paris（巴黎政治学院） ； Moments Lab
专题命中 视频理解 ：video-language(abstract)；分类 cs.CV
AI总结 提出PEEK方法，通过知识蒸馏将教师模型的帧相关性排名迁移至轻量级时序模型，实现高效动态帧采样，在低帧预算下显著提升视频字幕生成性能。
Comments Supplementary material at https://www.killian-steunou.com/peek/static/pdfs/peek_supplementary.pdf
OmniMem: 用于长视频生成的可扩展自适应记忆检索
机构 * Northeastern University（东北大学） ； Adobe Research
专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 提出OmniMem框架，通过自适应窗口排除和查询共享KV选择等机制，在自回归视频生成中实现显式全范围稀疏KV检索，显著提升长视频动态程度并保持一致性。
Comments 22 pages, 14 figures; project page: https://wuyushuwys.github.io/OmniMem/
SlotMemory: 面向流式长视频生成的以对象为中心的KV记忆
机构 * Fudan University（复旦大学） ； Meta Superintelligence Labs（Meta超智能实验室） ； Baidu（百度）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出SlotMemory，一种以对象为中心的键值记忆机制，通过将变换器的键值流形分解为离散语义槽，实现实体级持久性和提示感知检索，在60秒交互叙事中动态一致性相对提升22.8%。
PostCam: 基于查询共享交叉注意力的相机可控新视角视频生成
机构 * State Key Lab of CAD\&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； Shanghai InSpatio Intelligent Technology Co., Ltd.（上海InSpatio智能技术有限公司）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出PostCam框架，通过查询共享交叉注意力机制对齐6自由度姿态和渲染特征，实现动态场景中高细节保持和精确相机轨迹编辑的新视角视频生成。
以人类演示视频为提示学习可泛化的机器人策略
机构 * Tsinghua University, China（清华大学，中国） ； Shanghai Qi Zhi Institute, China（上海启智研究院，中国）
专题命中 视频生成 ：video generation(abstract)
AI总结 提出两阶段框架，利用人类演示视频学习可泛化机器人策略，无需遥操作数据或微调即可执行新任务。
Comments Accepted to the IEEE International Conference on Robotics and Automation (ICRA), 2026
LVSA：长视频扩散的无训练稀疏注意力
机构 * Distributed Parallel Technology Laboratory, Paris Research Center, Huawei Technologies France（华为法国巴黎研究中心分布式并行技术实验室） ； AI Framework and Data Technology Lab, Huawei Technologies Co., Ltd.（华为技术有限公司人工智能框架与数据技术实验室）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 提出一种无需训练、模型无关的块稀疏注意力方法LVSA，通过结构化窗口模式与旋转全局锚点结合，在降低长视频扩散推理计算成本的同时消除固定网格偏差，支持超训练时域的视频生成。
Comments 10 pages, 5 figures, 4 tables. Code: https://github.com/JiusiServe/LongVideoSparseAttention
TunerDiT: 无需训练的多事件视频生成扩散变压器渐进式引导
机构 * Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学） ； Technical University of Munich（慕尼黑技术大学） ； MCML ； University of Hamburg（汉堡大学） ； Huawei European Research Institute（华为欧洲研究院）
专题命中 视频扩散模型 ：video generation(title)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 针对长视频多事件生成难题，提出无需额外训练的TunerDiT方法，通过事件分区掩码和跨事件提示融合实现渐进式引导，在8项指标上达到最优。
Comments 17 pages, 13 figures
CameraNoise: 通过几何流引导的噪声扭曲实现视频扩散中的忠实相机控制
机构 * Fudan University（复旦大学） ； Tencent（腾讯） ； Xiamen University（厦门大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 提出CameraNoise方法，通过几何流引导的噪声扭曲将相机运动编码为时间一致的随机表示，实现视频扩散中忠实且几何一致的相机控制。
Comments 28 pages, 16 figures
Journal ref Proceedings of the Forty-third International Conference on Machine Learning (ICML), 2026
DTG-Restore: 无需训练的视频超分辨率扩散精炼
机构 * Virginia Tech（弗吉尼亚理工大学） ； Adobe（Adobe公司）
专题命中 视频扩散模型 ：video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出解耦时间引导（DTG）方法，通过时间解耦条件与无条件分支，无需训练即可增强扭曲低分辨率视频，提升结构保真度和时间稳定性。
射线即像素：学习视频与相机轨迹的联合分布
机构 * Meta AI
专题命中 视频扩散模型 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出一种视频扩散模型（Rays as Pixels），通过将相机表示为密集射线像素（raxels）并与视频帧共享潜在空间，联合去噪实现相机轨迹预测和相机控制视频生成。
Comments Accepted to ICML 2026. 9-page main paper plus supplementary material. Project page: https://wbjang.github.io/raysaspixels/
利用紧凑高斯体学习全局运动的前馈式4D重建
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； ETH Zürich, ETH AI Center（苏黎世联邦理工学院，ETH人工智能中心） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出C4G框架，通过紧凑的可学习高斯查询令牌和视频扩散模型增强渲染，实现无需相机位姿的前馈式4D动态场景重建，显著减少高斯数量并提升运动建模鲁棒性。
Comments Project Page: see https://cvlab-kaist.github.io/C4G
SLAP: 用于变分视频-语言建模的语义最小作用原理
机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学）
专题命中 动作与事件理解 ：video-language(title,abstract)；分类 cs.CV
AI总结 提出语义最小作用原理(SLAP)，将视频插值建模为黎曼流形上的边界值问题，通过离散欧拉-拉格朗日方程保持对象持久性，解决大视频语言模型中的时间间隙问题。
Comments Accepted by ICML 2026
面向有效长视频事件预测的多级事件语义挖掘
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 动作与事件理解 ：video language model(abstract)；分类 cs.CV
AI总结 提出VISTA框架，通过多级事件语义挖掘（细节级、事件级、未来级）实现长视频事件预测，解决现有模型无法精确提取事件细节和进行细粒度分析的问题。
DecMem：基于解耦记忆的分钟级一致世界生成
机构 * The University of Hong Kong（香港大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 长视频与时序推理 ：video generation(abstract)；long video(abstract)；分类 cs.CV
AI总结 提出解耦记忆架构DecMem，通过稀疏全局记忆和锚定局部记忆解决长程视频生成中的时空一致性问题，实现分钟级可控长视频生成。
Comments Project page is available at https://jeffreyyzh.github.io/DecMem-Page
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