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。
APT: 用于因果视频语言理解的原子物理转变
机构 * Northwestern University（西北大学） ； Dolby Laboratories（杜比实验室）
专题命中 视频理解 ：video-language(title)；video understanding(abstract)；分类 cs.CV
AI总结 提出原子物理转变（APT）作为视频中因果状态变化的显式表示，并构建混合来源数据集，通过APT-Tune微调方法使VLM学习物理转变而不遗忘事件级知识。
E-VAds：面向多模态大语言模型的电商短视频理解基准
机构 * Alimama Tech, Taobao \& Tmail Group of Alibaba ； Huazhong University of Science ； Vin University
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出电商短视频理解基准E-VAds，通过多模态信息密度评估框架量化领域复杂性，并构建多智能体生成的问答数据集，最后开发基于强化学习的推理模型E-VAds-R1，在商业意图推理上实现109.2%的性能提升。
Comments Accepted by ICML2026
UniTemp: 通过双向蒸馏实现任意时间顺序的视频生成
机构 * University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe 研究院） ； University of California Los Angeles（加利福尼亚大学洛杉矶分校） ； University of California Davis（加利福尼亚大学戴维斯分校）
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UniTemp框架，通过双向蒸馏训练单个自回归模型，支持任意时间方向（前向、后向、中间插值）的视频生成，解决因果3D VAE在后向生成中的不连续性，提升可控性。
CineOrchestra：面向电影视频生成的统一实体中心条件控制
机构 * Snap Inc.（Snap公司） ； UC Merced（加州大学默塞德分校）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出CineOrchestra，一种统一控制主体、事件、相机和镜头切换的视频扩散模型，通过实体中心条件原语和参数无关的旋转位置编码实现多轴联合控制，在密集描述跟随和镜头切换时序上超越六种专用方法。
Comments Project page: https://snap-research.github.io/CineOrchestra
极线几何改进视频生成模型
机构 * University of Oxford（牛津大学） ； Google Research（谷歌研究院） ； CREST-ENSAE, Institut Polytechnique de Paris（巴黎理工学院CREST-ENSAE研究中心） ； Technical University of Munich（慕尼黑技术大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 针对视频生成模型几何不一致和运动伪影问题，提出基于极线几何约束的偏好优化方法，在保持视觉质量的同时将极线误差降低31%，人类评分一致性从54%提升至72%。
桥接创意意图与视觉质量：基于创作者驱动的循环视频生成与代理反馈循环
机构 * University of California, Davis（加州大学戴维斯分校） ； The Harker School（哈克学校） ； Basis Independent Silicon Valley（硅谷贝斯独立学校） ； Saratoga High（萨拉托加高中）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出CHIEF框架，通过人类-AI协作的迭代视频精炼，结合创作者驱动和代理主观反馈，提升长视频的叙事连贯性与创意方向。
Comments Accepted to the Workshop on Human-AI Co-Creativity at ICML 2026
TurboServe: 高效经济地服务流式视频生成
专题命中 视频生成 ：video generation(title,abstract)
AI总结 针对流式视频生成的会话时长和用户需求异构性，提出TurboServe系统，通过在线调度联合优化会话放置与GPU配置，采用迁移感知放置和负载驱动自动缩放，降低延迟和成本。
VidCRAFT3: 面向图像到视频生成的相机、物体与光照控制
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Zhejiang University（浙江大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Westlake University（西湖大学） ； School of Data Science and MOE Frontiers Center for Brain Science, Fudan University（复旦大学数据科学学院和脑科学前沿中心） ； Fudan ISTBI–ZJNU Algorithm Centre for Brain-inspired Intelligence, Zhejiang Normal University（复旦大学-浙江师范大学脑启发智能算法中心）
专题命中 视频生成 ：video generation(title)；分类 cs.CV、cs.MM
AI总结 提出VidCRAFT3框架，通过显式建模几何、运动与光照的跨因素交互，实现对相机运动、物体运动和光照方向的独立或联合控制，在控制精度和视觉一致性上达到最优。
Comments Accepted to TVCG 2026
Qwen-RobotWorld技术报告：通过语言条件视频生成统一具身世界模型
机构 * Qwen Team（Qwen团队）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 提出Qwen-RobotWorld，一种以自然语言为统一动作接口的语言条件视频世界模型，通过双流MMDiT、大规模具身世界知识语料和渐进式课程训练，在机器人操作、自动驾驶等任务中实现物理一致的未来视觉轨迹预测，在多个基准上取得最优结果。
物理智力验证
机构 * Anates Labs（Anates实验室） ； Technical University of Munich（慕尼黑技术大学） ； University of Technology Nuremberg（纽伦堡技术大学） ； Tuebingen AI Center, University of Tuebingen（图宾根大学人工智能中心） ； Helmholtz AI, Munich（慕尼黑海德堡人工智能研究所） ； Google DeepMind research（谷歌DeepMind研究）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出Physics-IQ Verified基准，通过改进提示和地面真实质量及引入样本级评分系统，提升视频生成模型对物理现实的理解评估，验证结果表明基准提升了57.6%的样本和34.8%的提示。
两步物理：在视觉细化之前锁定运动先验会擦除它们
机构 * National Institute of Standards and Technology（国家标准与技术研究院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文发现图像到视频扩散模型在两步生成中比多步生成具有更好的物理一致性，通过频谱分析将原因归结为去噪过程中的相位侵蚀，并提出无需训练的PhaseLock框架，通过从两步推理中提取运动先验并利用潜在增量引导强制到高保真生成中，有效缓解相位退化，提升物理一致性平均6.2点，同时保持视觉保真度且开销极小。
Comments ICML 2026
iTryOn: 通过空间-语义引导掌握交互式视频虚拟试穿
机构 * Shenzhen Campus of Sun Yat-sen University ； Taobao \& Tmall Group of Alibaba
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出iTryOn框架，通过空间-语义引导解决交互式视频虚拟试穿中的语义模糊和复杂服装变形问题，实现了更动态可控的虚拟试穿体验。
Comments Project Page: https://zhengjun-ai.github.io/itryon-page. Accepted by ICML 2026
Pulse: 面向大规模扩散模型的自动流水线并行训练加速
专题命中 视频扩散模型 ：video generation(abstract)
AI总结 提出PULSE自动流水线并行策略，通过将跳跃连接层同设备放置、局部缓存激活值，消除跨流水线通信，结合动态规划分区器、ILP调度合成器和混合并行调优器，在通信受限硬件上实现最高2.3倍吞吐提升。
Comments Accepted by International Conference on Distributed Computing Systems(ICDCS'26)
开放世界视频分割
机构 * University of Connecticut（康涅狄格大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 提出Savvy系统，结合分层掩码发现、延迟接纳和轨迹整合，实现零样本开放世界长时视频分割；并设计粒度感知评估套件OGA，采用n:1匹配协议，解决传统1:1匹配对开放世界方法的不公平惩罚问题。
FashionChameleon：迈向实时和交互式的人体服装视频定制
机构 * Xiamen University（厦门大学） ； Alibaba Group（阿里巴巴集团）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出FashionChameleon框架，通过单件服装视频数据实现交互式多服装视频定制，保留动作一致性，实现实时生成23.8FPS，比现有方法快30-180倍。
Comments Project Page: https://quanjiansong.github.io/projects/FashionChameleon/
SVHighlights: 迈向极长体育视频精彩片段检测
机构 * Ulsan National Institute of Science and Technology（釜山国立科学研究院）
专题命中 视频数据与评测 ：long video(abstract)；分类 cs.CV、cs.MM
AI总结 针对现有方法无法处理超长视频精彩片段检测的问题，提出首个基准SVHighlights（包含320个平均时长2小时的体育视频）以及无训练的分段方法TF-SELECTOR，通过大语言模型融合多模态信息预测片段级显著性分数，在多个指标上超越现有基线。
Comments Accepted to KDD 2026 (Datasets and Benchmarks Track). Project Page: https://leedongkyu2019.github.io/SVHighlights/
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