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。
SteerVTE: 具有风格和字形控制的无缝视频文本编辑
机构 * Peking University（北京大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出SteerVTE框架，通过风格编码器和双粒度字形编码器控制冻结视频扩散模型，结合字形感知空间焦点损失和三阶段渐进训练，实现精确、连贯的视频文本编辑。
Go-with-the-Track: 基于点追踪的视频合成与运动控制
机构 * Netflix USA（Netflix美国） ； Eyeline Labs USA（Eyeline Labs美国） ； University of Oxford（牛津大学） ； Eyeline Labs Los Angeles USA（Eyeline Labs洛杉矶美国） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Stony Brook University USA（石溪大学美国） ； Columbia University USA（哥伦比亚大学美国） ； Eyeline Labs United Kingdom（Eyeline Labs英国） ； Netflix Los Angeles USA（Netflix洛杉矶美国）
专题命中 动作与事件理解 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出Go-with-the-Track，通过联合条件多参考图像和参考锚定点轨迹，统一视频合成与运动控制，实现精确合成与运动控制。
Comments SIGGRAPH 2026, Project page: https://eyeline-labs.github.io/Go-with-the-Track/
模仿人类认知，掌握多图像推理：增强视觉理解的元动作框架
机构 * East China Normal University（华东师范大学） ； ByteDance（字节跳动）
专题命中 动作与事件理解 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 提出受人类认知启发的元动作框架CINEMA，将多图像推理分解为五个结构化元动作，结合检索树采样和两阶段强化学习，在多个基准上超越GPT-4o。
Comments Accepted by CVPR 2026
任意4D的前馈运动插值
机构 * Waseda University（早稻田大学） ； AIST（产业技术综合研究所） ； Durham University（杜伦大学）
专题命中 动作与事件理解 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出一种基于关键帧条件的前馈插值框架，利用网格VAE和MMDiT骨干的整流流模型，实现任意4D网格的快速运动插值，在DyMesh16和DyMesh32上表现优异。
Comments Video: https://youtu.be/jZAjPUtSq38?si=aXtDMDviFdfkjKUU
VLM在零样本程序性错误检测中的惊人有效性
机构 * University of Bonn（波恩大学） ； Toyota Motor Europe（丰田欧洲公司） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所）
专题命中 动作与事件理解 ：video-language(abstract)；分类 cs.CV
AI总结 提出ZeProM框架，利用单个预训练VLM同时解决零样本程序性错误检测和时间动作分割，在EgoPER和CaptainCook4D基准上接近或超越全监督方法。
世界行动模型：综述
机构 * National University of Singapore（新加坡国立大学）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 本文综述世界行动模型（WAMs），通过两种互补视角组织现有工作，揭示其设计权衡与未来趋势。
Comments 57 pages, 6 figures
XmoPipe：大规模野外人体运动数据集构建流水线
机构 * Ecole Centrale de Lyon, CNRS, INSA Lyon, Universite Claude Bernard Lyon 1, LIRIS, UMR5205（里昂中央理工学院, 法国国家科学研究中心, 国立应用科学学院里昂, 克洛德·贝尔纳里昂第一大学, 里昂信息与系统研究实验室, UMR5205） ； Univ Rennes, Inria, CNRS, IRISA - UMR 6074（雷恩大学, 法国国家信息与自动化研究所, 法国国家科学研究中心, 雷恩计算机科学研究所 - UMR 6074） ； Universite Claude Bernard Lyon 1, CNRS, INSA Lyon, LIRIS, UMR5205（克洛德·贝尔纳里昂第一大学, 法国国家科学研究中心, 国立应用科学学院里昂, 里昂信息与系统研究实验室, UMR5205）
专题命中 动作与事件理解 ：video-language(abstract)；分类 cs.CV
AI总结 提出可扩展的流水线，从关键词检索视频、提取3D身体和面部运动并生成文本描述，用于构建野外人体运动数据集，训练的运动模型性能与基于传统动捕数据集训练的模型相当。
Comments 12 pages, presented at CASAXR 2026
Video2Code: 通过动作感知重访从UI视频生成交互式网页
机构 * University of Waterloo（滑铁卢大学） ； Tsinghua University（清华大学） ； Zhipu AI（智谱AI） ； Beihang University（北京航空航天大学）
专题命中 动作与事件理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出Video2Code方法，通过动作感知重访UI视频中的关键区域，恢复可执行的状态转换，生成HTML/CSS/JavaScript代码，提升多步交互的代码功能正确性。
Comments 31 pages, 21 figures
视频语言模型何时停止观看？多模态RLVR中视觉捷径的形成与逆转受奖励强度控制
机构 * Zekun Xu（徐泽坤）
专题命中 长视频与时序推理 ：video-language(title)；分类 cs.CV
AI总结 研究多模态强化学习中视觉捷径的形成与逆转机制，发现惩罚强度可控制其出现和消除，且存在关键干预窗口。
Comments 11 pages, 4 figures
现代视频大语言模型需要听觉吗？基准审计与可扩展补救措施
机构 * NAVER Cloud AI（NAVER云AI） ； KAIST AI（韩国国立庆北大学AI）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV、cs.MM
AI总结 通过审计10个视频基准发现多数任务仅凭视觉即可解决，音频未被充分利用；提出在LLaVA-OneVision上附加语音/音频编码器，采用25倍令牌压缩，实验证明音频在需要语音理解或跨模态对齐的任务上带来显著提升。
Comments Accepted to Interspeech 2026
MMOU：面向长且复杂真实世界视频的大规模多任务全模态理解与推理基准
机构 * NVIDIA, USA（NVIDIA美国分公司） ； University of Maryland, College Park, USA（马里兰大学帕克分校）
专题命中 视频数据与评测 ：long video(abstract)；分类 cs.CV
AI总结 提出MMOU基准，包含2万个人工标注问题与11877个长视频，覆盖13项技能，评估多模态大模型在长视频中的全模态理解与推理能力，最佳闭源模型仅64.2%准确率，开源模型46.8%。
Comments Project Page: https://huggingface.co/datasets/nvidia/MMOU
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