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。
Wan2.2双专家视频扩散模型的协同少步蒸馏与低位量化
机构 * IEEE ICME 2026 ； GCC Low-Bit-width Large Model Quantization Challenge（GCC 低精度大模型量化挑战）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 针对Wan2.2-T2V-A14B视频扩散模型，提出结合少步分布匹配蒸馏与低位量化的部署压缩流程，通过双专家去噪分支校准、敏感层保护及HiF4低位表示，在保持质量的同时降低计算开销。
Real2SAM2Real: 生成式3D缓存作为视频扩散的互补上下文
机构 * University of Maryland（马里兰大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 提出Real2SAM2Real框架，通过3D提升模型提取可编辑的3D缓存作为几何支架，结合软空间对齐注入和微调策略，实现视频扩散模型对相机轨迹和多实体运动的精确解耦控制。
GSV3D: 基于高斯溅射的几何蒸馏与稳定视频扩散用于单图像3D物体生成
机构 * State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（虚拟现实技术与系统国家重点实验室，北京航空航天大学） ； SenseTime Research（商汤科技研究院） ； PBVR
专题命中 视频扩散模型 ：video diffusion(title)；video generation(abstract)；分类 cs.CV
AI总结 提出一种结合2D扩散模型隐式3D推理能力与高斯溅射几何蒸馏的方法，通过高斯溅射解码器将SV3D潜变量输出转换为显式3D表示，实现多视图一致性和高质量3D生成。
粗到细的组合扩散用于长时域规划
机构 * KAIST（韩国科学技术院） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视频扩散模型 ：video generation(abstract)；long video(abstract)
AI总结 提出Coarse-to-Fine Compositional Diffusion (CoFi)方法，通过先形成全局骨架再细化局部细节，在长时域机器人规划、全景图像生成和长视频生成中提升全局一致性和局部质量，同时减少2-8倍去噪评估次数。
Comments Project page: https://cofi-diffusion.github.io
图灵模式用于多媒体：反应-扩散多模态融合用于语言引导的视频时刻检索
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
专题命中 视频扩散模型 ：video-language(abstract)；分类 cs.CV、cs.MM
AI总结 提出基于反应-扩散过程的多模态融合框架RDMF，通过模拟生物模式形成机制实现视频与文本的动态对齐，用于视频时刻检索与高亮检测。
Comments Published in ACM MM 2025. Address some typos
RoboDream: 用于可扩展机器人数据合成的组合世界模型
机构 * USC Physical Superintelligence (PSI) Lab（USC物理超智能实验室） ； Toyota Research Institute（丰田研究院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出一种以具身为中心的组合世界模型，通过将轨迹执行与环境合成解耦，实现从新视角、新场景和新物体中合成逼真演示数据，并展示其在数据扩展和减少真实数据需求方面的有效性。
Comments Project page: https://junjieye.com/RoboDream/
面向街景新视角合成的有效多传感器条件控制
机构 * Stanford Univerity（斯坦福大学） ； NVIDIA
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出StreetNVS视频扩散框架，通过参考增强相机注意力模块和相对射线级位置编码联合利用LiDAR、环视图像和相机位姿，实现稀疏LiDAR条件下的高质量街景新视角合成。
SKIP: 用于高效具身世界模型的稀疏关键帧插值范式
机构 * UCAS（中国科学院自动化研究所） ； CASIA（中国科学院自动化研究所） ； NJU（南京大学） ； GigaAI ； THU（清华大学） ； FiveAges
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出稀疏关键帧插值范式(SKIP)，通过识别任务相关关键帧并仅生成这些帧，再基于机器人动作插值缺失帧，实现高效视频生成，在LIBERO上速度提升4.16倍，FVD降低89%，且生成视频作为训练数据时策略性能下降极小。
Comments 25 pages, 10 figures
稳定速度：流匹配的方差视角
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视频扩散模型 ：text-to-video(abstract)；分类 cs.CV
AI总结 针对流匹配中单样本条件速度导致的高方差训练目标，提出稳定速度框架，通过方差表征识别高低方差区域，并引入无偏方差缩减目标（StableVM）、方差感知表示对齐（VA-REPA）以及免微调加速采样（StableVS），在多个大规模模型上实现训练效率提升和超过2倍采样加速。
Comments ICML 2026
迈向稀疏视频理解与推理
机构 * Northwestern University（西北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Dolby Laboratories（杜比实验室）
专题命中 视频问答 ：video understanding(title)；video reasoning(abstract)；分类 cs.CV
AI总结 提出一种多轮视频问答代理，通过稀疏帧选择、状态摘要和早期停止机制，在减少帧数和令牌数的同时提升准确率。
Comments Accepted to CVPR 2026. Project page: https://sparsevideounderstanding.github.io
TLG: 通过源标注重建和类别目标推理实现视频问答的时间逻辑基础
机构 * The Ohio State University（俄亥俄州立大学）
专题命中 视频问答 ：video-language(abstract)；分类 cs.CV
AI总结 提出TLG三阶段系统，通过重建动作时间线、解析问题为时间逻辑程序并确定性执行，结合强视觉语言模型和前沿推理模型，将视频问答准确率从46.9%提升至71.37%。
基于结构化视觉证据的时间证据路由用于TimeLogicQA
机构 * Southeast University（东南大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究员） ； Opus AI Research（Opus AI研究院） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视频问答 ：long video(abstract)；分类 cs.CV
AI总结 提出视觉证据路由流水线，分离感知与符号时间推理，通过结构化视觉证据和确定性时间规则在TimeLogicQA上达到81.8 AvgAcc。
自适应密集证据精炼用于视频关系推理：VRR-QA挑战
机构 * Southeast University（东南大学） ； National University of Singapore（国立新加坡大学） ； Independent Researcher（独立研究员） ； Opus AI Research（Opus AI研究） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视频问答 ：video-language(abstract)；分类 cs.CV
AI总结 提出一种自适应测试时计算系统，通过轻量视图识别不稳定问题并路由到高预算密集证据模块，在VRR-QA测试集上达到90.07%平均准确率。
V-LynX: 视频+X 大语言模型的令牌接口对齐
机构 * Yonsei University, Seoul, South Korea（延世大学，首尔，韩国） ； Ewha Womans University, Seoul, South Korea（成均馆大学，首尔，韩国）
专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV
AI总结 本文发现视频大语言模型中存在令牌接口连续流形，并提出V-LynX框架，通过轻量辅助路径对齐注意力响应和统计分布，无需配对监督即可集成新模态，在音视频问答、3D推理等任务上达到最优效率。
Comments ICML 2026 Camera-ready
无需训练的视频推理
机构 * Qualcomm AI Research（高通AI研究） ； University of California, San Diego（加州大学圣地亚哥分校）
专题命中 动作与事件理解 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 提出V-Reason方法，利用输出分布熵作为信号，通过轻量级控制器在推理时自适应调整值缓存，无需强化学习或微调即可提升视频推理性能。
Comments CVPR Findings 2026. Project Page https://deepaksridhar.github.io/vreason.github.io/
$\tau_0$-WM：一种用于机器人操作的统一视频-动作世界模型
机构 * Shanghai Innovation Institute（上海创新研究院） ； AGIBOT Finch
专题命中 动作与事件理解 ：video diffusion(abstract)
AI总结 提出$\tau_0$-WM，一个统一视频-动作世界模型，通过共享视频扩散骨干集成策略学习、视频预测和动作评估，在长时域和精细操作任务上优于基线。
Comments Our project homepge: https://finch.agibot.com/research/tau0-wm
未修剪长视频中被操纵片段的可解释取证
机构 * MoE Key Laboratory of Brain-Machine Intelligence Technology, College of Artificial Intelligence, Nanjing University of Aeronautics（脑机智能技术关键实验室、人工智能学院、南京航空航天大学） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学）
专题命中 长视频与时序推理 ：long video(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 针对长视频中AI生成片段的定位与解释任务，提出TASLE基准数据集和MSLoc粗到细取证方法，实现时序定位、真实性检测与可解释分析。
Comments Accepted to ICML 2026
MORPHOS: 基于时间结构化潜变量的自回归4D生成
机构 * KAIST AI（韩国国立科学技术院人工智能实验室）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 提出MORPHOS框架，利用时间结构化潜变量（T-SLAT）统一表示4D动态资产，通过自回归因果注意力生成，解决多表示兼容、拓扑变化和长时间一致性问题。
Comments Project page: https://cvlab-kaist.github.io/MORPHOS/
FlowC2S：从当前帧流向后续帧以实现快速且内存高效的视频延续
机构 * Team ARAI, Université Paris-Saclay, CNRS, LISN, France（ARAI团队，巴黎萨克雷大学，法国国家科学研究中心，LISN，法国） ； LTCI, Télécom Paris, Institut Polytechnique de Paris, France（LTCI，巴黎电信学院，巴黎理工学院，法国）
专题命中 长视频与时序推理 ：text-to-video(abstract)；分类 cs.CV
AI总结 提出FlowC2S方法，通过微调预训练文本到视频流模型学习当前与后续视频块之间的向量场，利用固有最优耦合和目标反转实现快速、内存高效的视频延续。
StreamingVLM：无限视频流的实时理解
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 提出StreamingVLM，通过统一训练与流推理的框架，利用注意力汇点状态复用和滑动窗口机制实现无限视频流的实时稳定理解，在Inf-Streams-Eval基准上以8 FPS速度达到66.18%胜率，并提升通用VQA能力。
Comments Published as a conference paper at ICLR 2026. The first two authors contributed equally to this work
OmniHuman：面向以人为中心的视频生成的大规模数据集与基准
机构 * Peking University（北京大学） ； WeChat Lab（微信实验室） ； Chinese Academy of Sciences（中国科学院）
专题命中 视频数据与评测 ：video generation(title)；分类 cs.CV
AI总结 为解决现有数据集在场景多样性、交互建模和属性对齐方面的结构性缺陷，提出OmniHuman大规模多场景数据集及全自动标注流程，并建立OHBench三级评估体系，实现与人类感知高度一致的诊断。
Comments 19 pages, 6 figures
CoCoVideo: 基于商业模型的高质量对比基准用于AI生成视频检测
机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； China Academy of Information and Communications Technology（中国信息通信技术研究院） ； AI Transcend Pte. Ltd.（AI Transcend有限公司）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 针对现有数据集依赖低质量开源模型且商业样本带水印的问题，提出包含13个商业生成器的CoCoVideo-26K对比数据集，并设计结合对比学习与置信门控多模态大语言模型的CoCoDetect检测框架，实现高保真AI生成视频的鲁棒检测。
Comments Accepected by CVPR 2026
v-HUB: 从视觉和声音理解视频幽默的基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Beijing Institute for General Artificial Intelligence（北京一般人工智能研究院） ； Independent Researcher（独立研究者）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV
AI总结 提出v-HUB基准，通过非语言短视频评估多模态大语言模型在仅凭视觉线索理解幽默的能力，并发现音频信息有助于提升幽默理解。
Comments 24 pages, 9 figures
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