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。
无训练不确定性引导的复杂视觉任务多模态大语言模型
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Helmholtz Munich（海德堡-慕尼黑亥姆霍兹研究中心） ； Google（谷歌） ； LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工大学 LTCI 实验室）
专题命中 视频理解 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
AI总结 提出无需训练的框架，利用MLLM内在不确定性主动引导，通过响应不确定性评分候选视觉输入，使模型自主聚焦关键信息，在视觉搜索、长视频理解等任务中达到与微调系统相当的性能。
HumanMoveVQA：视频多模态大语言模型能否推理视频中的人类运动？
机构 * CVSSP, University of Surrey, Guildford, UK（萨里大学视觉、语音与信号处理中心，英国吉尔福德） ； Tesco, UK（乐购，英国）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出HumanMoveVQA基准，通过世界坐标系下的3D运动轨迹生成问答对，评估视频MLLM在全局轨迹和方向推理上的能力，发现现有模型存在显著差距。
TRUST：通过图像到超声视频迁移学习实现高效腹部创伤识别
机构 * School of Biological Science and Medical Engineering, Southeast University（东南大学生物科学与医学工程学院） ； Nanjing Medical University First Affiliated Hospital（南京医科大学第一附属医院） ； Jiangsu Key Laboratory of Biomaterials and Devices, Southeast University（江苏省生物材料与器件重点实验室，东南大学） ； State Key Laboratory of Digital Medical Engineering, Southeast University（数字医学工程国家重点实验室，东南大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出TRUST框架，通过跨频协作适配器、多粒度运动感知模块和视觉查询语义聚合，解决超声视频中时空变化和语义差异问题，在腹部创伤数据集上性能提升9.63%。
Comments Accepted to MICCAI 2026, 11 pages, 5 figures
一种丰富手术视频数据集的方法，用于视觉-语言模型的细粒度时空理解
机构 * Hamburg University of Technology（汉堡理工大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出SurgSTU-Pipeline生成管道，通过时空连续性过滤创建细粒度时空问答数据集SurgSTU，提升视觉-语言模型在手术视频中的时空理解能力。
IWP：大型视觉语言模型中的隐式权重剪枝与令牌剪枝
机构 * KAIST（韩国科学技术院）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出基于注意力对偶形式的无训练令牌剪枝框架，通过度量令牌的信息量和冗余度，结合渐进式分块最大边际相关性选择子集，在保持性能的同时提升效率。
Directing the World: 具有组合式人体-相机控制的快速自回归视频生成
机构 * Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院（TeleAI））
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出一种快速自回归框架，通过解耦控制学习并保持统一视频先验，实现人体运动和相机轨迹的组合控制，支持稳定长程生成与高视觉质量。
SC3-Eval: 通过自洽视频生成评估机器人基础模型
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； NVIDIA（英伟达） ； Physical Intelligence ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Allen Institute for AI（艾伦人工智能研究所）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出SC3-Eval方法，利用前向-反向动力学一致性、跨视角一致性和测试时一致性，将预训练视频基础模型转化为准确的策略评估器，在7个真实世界策略上达到0.929的皮尔逊相关系数。
PhysChoreo: 具有部分感知语义基础的物理可控视频生成
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出PhysChoreo框架，通过两阶段方法（部分感知物理属性重建与时序指导的可编辑物理模拟）从单张图像生成物理可控且逼真的视频，在多个指标上超越现有方法。
通过高级模态条件与交互驯服文本到发声视频生成
机构 * Renmin University of China（中国人民大学） ； Apple（苹果公司）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 提出分层视觉基础字幕框架（HVGC）生成解耦的视频和音频字幕，并基于此引入双塔扩散变换器BridgeDiT，通过双交叉注意力机制实现对称双向信息交互，在三个基准数据集上达到最先进结果。
Comments The 19th European Conference on Computer Vision -- ECCV 2026
PhysisForcing：面向机器人操作的物理增强世界模拟器
机构 * Peking University（北京大学） ； NVIDIA（英伟达）
专题命中 视频生成 ：video generation(abstract)；video understanding(abstract)；分类 cs.CV
AI总结 针对视频生成模型在机器人操作模拟中物理不稳定的问题，提出PhysisForcing框架，通过像素级轨迹对齐和语义级关系对齐损失联合优化，显著提升物理一致性，在多个基准上改进基础模型，并提高下游策略成功率。
Comments Github: https://github.com/DAGroup-PKU/PhysisForcing Project website: https://dagroup-pku.github.io/PhysisForcing.github.io/#
EMOSH：用于人体动画的表现性运动与形状解耦
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； WeChat Vision, Tencent Inc.（腾讯微信视觉）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出EMOSH框架，通过可表现人体模型解耦形状与姿态，结合粗细混合运动注入和空间对齐条件机制，实现高保真、可控的人体视频生成，解决运动-形状纠缠问题。
Comments Accepted to ECCV 2026, Project Page: https://eastbeanzhang.github.io/EMOSH/
SHIFT: 视频扩散模型中的运动对齐与对抗混合微调
机构 * Tsinghua University（清华大学） ； Ant Group（蚂蚁集团） ； University of Chinese Academy of Science（中国科学院大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 针对视频扩散模型微调后运动保真度下降的问题，提出基于像素通量动力学的像素运动奖励和SHIFT框架（平滑混合微调），通过对抗优势改进收敛并缓解奖励黑客，有效解决动态度坍塌。
Comments Accepted by ECCV2026
绝对尺度下的场景生成：利用文本的语义和几何引导实现精确且可解释的3D室内场景生成
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出GuidedSceneGen框架，通过文本预测全局3D布局并利用全景扩散模型和视频扩散模型生成绝对尺度的室内场景，实现高一致性、可导航的3D重建。
即时表达性高斯头部虚拟化身，帧率超过100 FPS
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA（英伟达）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出一种前馈编码器流水线，将单张野外图像转换为3D一致、快速且富有表现力的可动画化表示，通过轻量级局部融合策略实现高动画表现力，运行速度达107.31 FPS。
Comments Project website is https://research.nvidia.com/labs/amri/projects/instant4d
释放无限运动：通过生成式视频先验扩展富有表现力的四足运动
机构 * Amap, Alibaba Group（高德，阿里巴巴集团）
专题命中 视频扩散模型 ：video diffusion(abstract)
AI总结 提出Uni-Mo全自动流水线，利用LLM和视频扩散模型生成四足机器人运动数据，通过身份一致性损失提取3D轨迹，训练真实机器人跟踪策略，并发布包含7488个语言标注运动的数据集。
HiMu: 面向长视频问答的分层多模态帧选择
机构 * INSIGHT Lab, Ben-Gurion University of the Negev, Israel（本-古里安内盖夫大学INSIGHT实验室，以色列） ； Ben-Gurion University of the Negev, Israel（本-古里安内盖夫大学，以色列）
专题命中 视频问答 ：long video(title)；分类 cs.CV
AI总结 提出HiMu框架，通过文本LLM将查询分解为层次逻辑树，由视觉和音频专家处理原子谓词，经模糊逻辑算子组合生成连续帧满意度曲线，在16帧预算下达到帧选择方法的最优精度，并作为即插即用模块提升多种MLLM性能。
保持证据链：面向视频时序定位的无训练令牌剪枝的语义证据分配
机构 * University of Warwick（沃里克大学） ； University of Amsterdam（阿姆斯特丹大学） ； Amazon AGI（亚马逊人工智能研究院）
专题命中 视频问答 ：video-language(abstract)；分类 cs.CV
AI总结 提出SemVID无训练剪枝框架，通过证据保留和连接强度原则选择对象、运动和上下文令牌，在仅保留12.5%视觉令牌时保持95.4% mIoU，实现5.8倍预填充加速。
Comments Project at https://jiaqili404.github.io/SemVID
Journal ref The 19th European Conference on Computer Vision (ECCV 2026)
ReWorld：为世界动作模型学习更好的表示
机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米汽车）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 提出ReWorld框架，通过优化中间表示（未来预测监督、跨模态对齐、难负样本监督）提升自动驾驶世界动作模型的规划性能，在nuScenes和NAVSIM上取得显著提升。
Comments 19 pages,3 figures
跨极端复杂度和质量尺度的增强型神经视频表示压缩
机构 * Visual Information Lab, University of Bristol, UK（布里斯托大学视觉信息实验室，英国） ； Network Connectivity Services Research, BT, UK（BT公司网络连接服务研究，英国）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV、eess.IV
AI总结 提出NVRC++，一种基于隐式神经表示的轻量级视频编解码器，通过多分辨率特征网格和高效优化框架，在多种复杂度级别下实现宽比特率范围的高质量压缩，支持实时解码。
PhyEditBench: 一个用于物理感知图像编辑的真实世界多阶段基准
机构 * Nanjing University（南京大学） ； SDU（山东大学） ； HRBEU（哈尔滨工程大学） ； SDUTCM（山东中医药大学） ； USTC（中国科学技术大学）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 提出PhyEditBench基准，通过分层分类和真实/反物理实例评估编辑模型的物理理解能力，并引入训练无关基线PhyWorld利用视频生成推理。
Comments 19 pages, 6 figures, 2 tables. Accepted to ECCV 2026
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