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。
HPP：通过解耦感知与推理的分层程序化探测用于长视频理解
机构 * Queen’s University Belfast（贝尔法斯特女王大学） ； AMD（AMD公司） ； Queen Mary University of London（伦敦玛丽女王大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 提出HPP框架，通过将长视频理解重构为分层视频的迭代程序化探索，解耦语义感知与高阶时序推理，在LongVideoBench等基准上取得显著提升。
Comments Project page: https://awaisrauf.com/HPP
你的视频模型记忆能力如何？衡量长视频理解中的记忆-预算权衡
机构 * Fudan University（复旦大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 提出一个经验模型，量化帧预算B和时间距离D对长视频理解准确率的影响，发现准确率与log预算呈线性关系，且距离相关指数α(D)可衡量不同模型的长距离记忆效率。
VideoLatent: 通过潜在自强制进行视频-语言学习
机构 * The Chinese University of Hong Kong（香港中文大学） ； Weitu AI（微图AI）
专题命中 视频理解 ：video-language(title)；video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 提出VideoLatent，一种通过潜在自强制训练范式（包括潜在对齐和潜在多样性目标）进行视觉潜在推理的多模态大语言模型，仅依赖标准视频-问答三元组，在14个基准上优于现有模型，并大幅降低训练/推理开销。
LEViL: 通过VLM生成的伪标签空间上的零样本蒸馏实现标签高效视频学习
机构 * Kocaeli University（科贾埃利大学）
专题命中 视频理解 ：video-language(abstract)；分类 cs.CV
AI总结 提出一种无需标注的视频预训练与目标标签集感知微调结合的标签高效视频学习框架，利用VLM生成伪标签空间进行零样本蒸馏，在有限标签下优于半监督方法。
迈向无错误的长视频生成
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 提出一种基于扩散模型的长视频生成框架，通过因果注意力、KV缓存和截断修正流技术解决误差累积和属性漂移问题，实现高质量、身份一致的单镜头长视频合成。
CoDMD: 基于Copula感知的分布匹配蒸馏用于快速视频生成
机构 * HKUST（香港科技大学） ； Wan Team, Alibaba Group（阿里巴巴集团万团队） ； THU（清华大学） ； CUHK（香港中文大学） ； XDU（西安电子科技大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 针对视频扩散模型少步蒸馏中分布匹配蒸馏（DMD）的结构缺陷，提出Copula感知的DMD（CoDMD），通过轻量关系正则化器利用分数估计构建样本间和帧间关系矩阵，实现4步生成，速度提升约25倍，VBench得分达84.87。
CourseBlueprint：基于课程语料库的自适应教学视频生成的结构化流程
机构 * Department of Computer Science, Rensselaer Polytechnic Institute（计算机科学系，拉特格斯理工学院） ； Department of Biomedical Engineering, Rensselaer Polytechnic Institute（生物医学工程系，拉特格斯理工学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出CourseBlueprint流程，通过结构化教学蓝图（含先决条件图、自适应控制、参与合约）从课程语料库生成自适应教学视频，实验证明显式教学合约比表面流畅性更关键。
UnityShots: 基于记忆的多镜头音视频生成与边界感知门控
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Kling Team, Kuaishou Technology（Kling团队，快手科技） ； Tsinghua University（清华大学） ； Sun Yat-sen University（中山大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出UnityShots，一种基于记忆的多镜头音视频生成系统，通过固定大小的长期和短期记忆槽及边界条件门控实现跨镜头连贯性，在多种条件模式下超越开源基线。
ChronoLock: 保护视频免受未经授权的文本到视频个性化
机构 * Nanyang Technological University（南洋理工大学） ； Jilin University（吉林大学） ； The University of Manchester（曼彻斯特大学）
专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV
AI总结 针对文本到视频个性化中的未经授权微调风险，提出ChronoLock框架，通过扰动时间去噪轨迹破坏运动学习过程，有效降低运动模仿质量。
TriMotion: 模态无关的摄像机控制用于视频生成
机构 * GIST（光州科学技术院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） ； Yonsei University（延世大学） ； Imperial College London（伦敦帝国理工学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出TriMotion框架，通过将视频、姿态和文本输入映射到共享运动嵌入空间，实现模态无关的摄像机控制视频生成，并引入潜在运动一致性目标，无需像素级解码即可准确跟随目标轨迹。
Comments ECCV Accepted
HarmoView: 协调多视角约束以实现身份一致视频生成
机构 * Tencent Hunyuan（腾讯混元）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出HarmoView框架，通过多级特征注入、可学习代理令牌和Jump-RoPE等架构改进，结合渐进式视角课程训练，解决大视角变化下身份一致视频生成的外观保真度问题，在多视角基准上达到最优性能。
Comments Project Page: https://conallwang.github.io/HarmoView_Pages
CULTURESCORE: 评估视频生成模型的文化忠实度
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； Netflix（网飞）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出CultureScore框架，从身份、背景和行为三个维度评估视频生成的文化忠实度，实验发现当前最佳模型得分仅56.8%，行为维度最困难。
基于世界模型的视频生成中物理一致性的无参考评估
机构 * Hanyang University ERICA（汉阳大学ERICA校区）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 提出结合相对与绝对方法的无参考度量，用于评估生成视频的物理一致性，无需人工投票或真实参考，通过DROID-SLAM和SEA-RAFT量化不一致性，过滤后视频任务成功率提升超8%，并实现时空定位。
Comments Accepted to the 2nd 3D-LLM/VLA Workshop, CVPR 2026
通过身份-动作解耦定制视频肖像
机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； The University of Hong Kong（香港大学）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出身份-动作解耦框架，通过身份解耦损失和文本对齐损失，无需微调即可生成保持身份一致且表情丰富的视频。
GEOPHYS: 物理合理性的几何学
机构 * Bielefeld University（比勒费尔德大学） ； University of Oxford（牛津大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Independent（独立作者） ； Honda Research Institute EU（本田欧洲研究院） ； New York University（纽约大学） ； Flatiron Institute, Simons Foundation（西蒙斯基金会熨斗研究所）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出GEOPHYS方法，利用冻结图像编码器的每帧嵌入的五个几何特征检测视频中的物理不合理性，在物理违反检测上达到SOTA，并作为验证器提升视频生成模型的物理一致性。
OrthoMotion：通过几何语义正交注意力解耦相机与主体运动
机构 * Peking University（北京大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出OrthoMotion方法，通过将相机运动编码为几何通道（旋转位置嵌入相位旋转）和主体运动编码为语义通道（门控值注入交叉注意力），并利用正交正则化保证解耦，实现可控视频生成中相机与主体运动的独立控制，将串扰降低2.4倍以上。
Comments Accepted by SCA2026(poster)
Gen2Balance：面向长尾视频动作识别的生成式平衡方法
机构 * University of Bristol（布里斯托大学） ； Adobe Research（Adobe 研究院）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 提出Gen2Balance方法，利用文本到视频生成模型将长尾训练集平衡为真实与生成视频的混合，结合两阶段训练策略缓解域偏移，在长尾基准上显著提升动作识别准确率。
Comments ECCV 2026
IOI: 解耦运动学与物理学的交互式世界模型
机构 * Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； Peking University（北京大学）
专题命中 视频生成 ：video generation(abstract)
AI总结 提出IOI混合交互式世界模型，通过显式运动学先验与学习物理动力学解耦，实现精确控制对齐和物理合理视觉反馈，在RoboTwin基准上达到最优仿真性能与零样本泛化。
ScalingAttention: 发现视频扩散变换器的内在稀疏注意力拓扑
机构 * KlingAI Research（KlingAI研究院） ； Beijing Institute of Technology（北京理工大学） ； NVIDIA（英伟达） ； Tsinghua University（清华大学）
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ScalingAttention框架，通过权重编码的稀疏拓扑（WEST）和保真度感知灵敏度调优（FAST）实现训练无关的注意力稀疏化，在Wan2.1上获得最高1.90倍加速并保持高质量。
Comments 18 pages, 9 figures
Vera: 一种用于内容保持视频编辑的分层扩散模型
机构 * California Institute of Technology（加州理工学院） ； Netflix, Inc（Netflix公司）
专题命中 视频扩散模型 ：video generation(abstract)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出Vera分层扩散框架，通过生成编辑层和alpha遮罩与源视频合成，利用混合Transformer架构和高质量分层数据集，在保持内容的同时实现高质量编辑。
Ocean4D：通过介质感知视频扩散的生成式水下4D重建
机构 * Faculty of Information Science and Engineering, Ocean University of China（中国海洋大学信息科学与工程学部） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
专题命中 视频扩散模型 ：video diffusion(title)；分类 cs.CV
AI总结 提出Ocean4D生成式框架，通过4D几何一致性条件化和介质感知去噪扩散，解决水下动态场景中吸收与散射导致的几何不稳定和跨视角不一致问题，实现单目视频到目标轨迹的高质量4D重建。
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/
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
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