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。
HYDRA-X: 具有整体视觉分词器的原生统一多模态模型
机构 * Nanjing University（南京大学） ； CASIA（中国科学院自动化研究所） ； Tencent Hunyuan（腾讯混元） ； Zhongguancun Academy（中关村学院） ； Shanghai AI Lab（上海人工智能实验室）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出HYDRA-X，首个在单一ViT中统一图像和视频分词的原生统一多模态模型，通过因果时间注意力和分层时间压缩实现高效重建，并利用轻量化解压缩器注入语义，显著提升编辑一致性和收敛速度。
MultiToP：学习修补视觉令牌以减轻视频大型多模态模型中的幻觉
机构 * Zhejiang University（浙江大学） ； Sun Yat-sen University（中山大学） ； East China Normal University（华东师范大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出MultiToP框架，通过轻量级视觉令牌修补器动态替换不可靠视觉令牌，结合信息引导排名校准和稀疏正则化，在不修改原模型情况下减少视频多模态模型幻觉，显著提升F1分数和问答准确率。
Comments Preprint
TetherCache: 基于门控召回与可信对齐的自回归长视频生成稳定性方法
机构 * Tsinghua University（清华大学） ； D-INFK, ETH Zürich（苏黎世联邦理工学院计算机科学系）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；long video(abstract)；分类 cs.CV
AI总结 提出TetherCache，一种无需训练、即插即用的缓存管理策略，通过门控召回（GRAB）和可信对齐编辑（TAME）缓解自回归视频扩散模型中的上下文漂移，实现稳定长视频生成。
Comments 17 pages, 8 figures
ReFree: 通过无奖励强化学习和多级语音引导实现逼真的共语音视频生成
机构 * Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学院，巴黎综合理工学院） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出ReFree-S2V框架，利用流匹配和预训练视频生成模型，通过多级语音表示和可学习选择器实现精细唇同步与自然表情，并引入无奖励强化学习生成自然头部运动，在唇同步准确性和自然度上达到最优。
CineDance: 迈向下一代多镜头长片电影级音视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Zhejiang University（浙江大学） ； The University of Tokyo（东京大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出CineDance-1M大规模多镜头长片音视频数据集，通过三阶段筛选流程和CineBench评估体系，实现高质量联合生成。
帮助图表讲述它们的故事！基于论文的视频生成解释复杂科学图表
机构 * University of Maryland, College Park（马里兰大学学院市分校）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 提出MINARD流水线，从图表及其论文生成基于区域分解的叙述性视频，并发布FigTalk基准，在自动和人工评估中优于现有方法。
Comments Webpage: https://minard.vercel.app/
OmniDirector: 无需配对数据的通用多镜头相机克隆
机构 * Kuaishou Technology（快手科技） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出OmniDirector框架，通过将相机参数编码为网格运动视频，并利用百万级配对数据训练，实现无需交叉配对数据的多镜头相机运动克隆，具备卓越的控制性能。
Comments 12 pages, 8 figures
MPMWorlds: 用于推断和外推物理动力学的物质点法模拟
机构 * Cornell University（康奈尔大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 通过构建2D物质点法（MPM）模拟数据集，研究从视频推断物理动力学并外推时间演化的能力，比较代码生成与视频扩散方法的优劣。
Comments 16 pages, 13 figures. Project page: https://zzigak.github.io/mpmworlds/
ReFoCUS: 用于上下文理解的强化引导帧优化
机构 * Korea Advanced Institute of Science & Technology（韩国科学技术院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV
AI总结 提出ReFoCUS框架，首次将在线策略梯度强化学习集成到视频大语言模型的帧级优化中，通过自回归和查询条件选择架构学习帧选择策略，无需显式帧级监督，提升视频问答推理准确性。
Comments Project page: https://interlive-team.github.io/ReFoCUS/
OR-Action: 细粒度动作的多角色视频理解
机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Carl Zeiss AG（卡尔蔡司股份公司）
专题命中 动作与事件理解 ：video understanding(title)；分类 cs.CV
AI总结 针对手术室活动理解中场景图方法缺乏时间建模的问题，提出基于公开数据集的细粒度多角色动作基准，并引入纯视觉时序模型，显著优于图方法，同时提出多视角到单视角特征对齐策略提升单视角性能。
重新思考长视频中的RAG：检索什么以及如何使用？
机构 * Department of Computer Science, Cranberry-Lemon University（蔓越莓柠檬大学计算机科学系）
专题命中 长视频与时序推理 ：long video(title)
AI总结 针对视频检索增强生成中检索粒度单一和基准测试缺陷，提出V-RAGBench基准和CARVE方法，通过分块自适应重排序实现多配置交错证据，显著提升性能。
通过候选感知因果推理增强教学视频中的时间答案定位
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 提出候选感知因果推理框架，通过视觉-语言预训练候选选择和基于GRPO的时序逻辑推理，解决教学视频中复杂问题理解和长视频片段定位挑战，在六个基准上取得最优mIoU。
VISTA：视频交互时空分析基准
机构 * University of Central Florida（中央佛罗里达大学） ； BITS Pilani（比特斯理工学院） ； Ho Chi Minh City University of Science（胡志明市科学大学） ； Amazon GenAI Project（亚马逊生成人工智能项目）
专题命中 视频数据与评测 ：video understanding(abstract,comments)；分类 cs.CV
AI总结 提出VISTA基准，通过分解视频为实体、动作和关系，实现开放集多实体多动作的时空理解评估，揭示传统指标掩盖的偏差。
Comments Accepted to CVPR 2026 Workshop on Pixel-level Video Understanding in the Wild (PVUW)
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