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。
QSVideo：用于视频理解的查询条件语义时间检索
机构 * Michigan State University（密歇根州立大学）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 针对视频理解中视觉语言模型性能随视频时长下降问题，提出QSVideo框架，通过查询条件语义排序器、联合优化相关性和多样性及时间对齐策略，提升视频VLM性能。
Comments ECCV 2026
VideoAgent: 视频理解与编辑的全能框架
机构 * South China University of Technology（华南理工大学） ； The University of Hong Kong（香港大学） ； Snap Inc（Snap公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 提出VideoAgent，一种基于多智能体编排的全能框架，通过自动镜头创建和30多个专业编辑智能体，解决现有系统在长视频理解和多样化编辑操作上的局限，在VideoEdit基准上实现87-95%编排成功率并降低60% API成本。
Comments Preprint. Code available at https://github.com/HKUDS/VideoAgent
用于全模态密集视频字幕的并行自回归解码
机构 * National University of Singapore（新加坡国立大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV、cs.MM
AI总结 研究密集视频字幕生成，提出并行自回归框架，利用事件间弱局部依赖重组因果依赖图，引入全局规划和事件分解并行解码机制，提升效率与字幕性能。
Comments ECCV 2026. Project website: https://github.com/showlab/PadCaptioner
GuideMe：流视频中的多域任务指导与干预
机构 * City University of Hong Kong（香港城市大学） ； Huawei Research（华为研究院） ； University of Science and Technology of China（中国科学技术大学） ； Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong (Dongguan)（香港城市大学（东莞））
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 构建流视频多域基准GuideMe，支持训练和评估用于闭环交互任务指导的MLLMs，设计评估框架衡量模型能力，实验发现现有MLLMs虽擅提供指令，但难识别执行错误并反馈。
Comments ECCV 2026
DELTAVID：利用跨视频差异增强细粒度时空感知
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Kuaishou Technology（快手科技）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 研究针对视频多模态大语言模型缺乏精确局部时空感知问题，提出DELTAVID框架，将跨视频找差异转化为可训练感知信号，还引入相关数据集，提升了跨视频差异理解性能并能迁移到通用视频理解基准。
追踪噪声，移动世界：用于可控视频生成的3D地面运动一致噪声
机构 * Qualcomm AI Research（高通人工智能研究中心） ； Trinity College Dublin（都柏林三一学院）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 研究如何在视频生成中实现对物体和相机运动的精确统一控制。核心方法是构建统一框架UniCaMo，直接构造扩散模型输入噪声。主要贡献是在视频质量和运动可控性上取得先进成果，且无需对基础模型做大改动。
Comments Project Page: https://phongnhhn.info/Unicamo/
视频生成模型是内在的光照估计器
机构 * Peking University（北京大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； OpenBayes Information Technology Co., Ltd.（北京智谱华章科技有限公司）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究从单张自然视频恢复动态环境图的问题，核心方法是将光照估计重构为引导视频修复任务，贡献是提出V-LITE框架，能生成连贯HDR环境图，证明视频扩散模型可估计物理场景光照。
Comments Project Page: https://caiziqi.com/research/vlite/
灯光、相机、碳：视频生成能耗的架构缩放定律
机构 * University of Rhode Island, Sustainable AI Group（罗德岛大学，可持续人工智能小组） ； Sustainable AI Group（可持续人工智能小组）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.MM
AI总结 提出双向框架，从架构原理和生成参数估算文本到视频等模型能耗。正向预测能耗，反向从推理时间恢复架构缩放行为，基于视频扩散模型性质证明能耗服从缩放定律，为模型可持续性基准测试提供框架。
Comments 17 pages
MV-Forcing：基于4D锚定时空自强制的长时长多视角视频生成
机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Cornell University（康奈尔大学）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV
AI总结 针对动态场景长时多视角一致视频生成难题，提出MV-Forcing框架，融合时序与视角自回归，实现任意时长视角数的高一致性多视角视频生成。
Comments Accepted to ECCV 2026. Project webpage: https://galfiebelman.github.io/mv-forcing/
CineMobile：用于电影级相机运动生成的设备端图像到视频扩散
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nankai University（南开大学） ； Transsion（传音）
专题命中 视频生成 ：video diffusion(title)；video generation(abstract)；分类 cs.CV
AI总结 针对移动设备图像到视频创作需求，提出CineMobile。采用蒸馏引导剪枝、扩散蒸馏与强化学习优化及混合后训练量化策略，在保持视觉质量的同时大幅加速生成，证明其在移动图像到视频创作中的实用性。
ProxyUp：用于可控动力学的免训练代理条件视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei Inc.（华为公司）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 现代视频生成模型精确控制复杂动力学具挑战性。提出代理条件视频生成，以代理视频控制前景物体运动。基于预训练模型构建免训练框架ProxyUp，用区域潜在噪声和随机流松弛，实验表明其在动态保真度和文本对齐方面优于基线。
Comments Project Page: $\href{https://zanue.github.io/proxyup}{\text{this https URL}}$
几何互易性：解锁立体视频生成的自监督能力
机构 * Visual AI Lab, The University of Hong Kong, Hong Kong, China（香港大学视觉人工智能实验室）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 针对单目转立体任务中立体修复依赖稀缺标注数据的问题，提出几何互易性定理，构建自监督框架，从海量单目视频学习，性能远超现有无监督、监督SOTA方法。
Comments Accepted to ICML 2026. Project page: https://visual-ai.github.io/grt/
自然语言相机运动理解
机构 * Boston University（波士顿大学） ； Pixocial Technology（皮克索西尔科技公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究自然语言相机运动理解问题，指出现有视觉语言模型在此任务上的不足。核心方法是建立分类法、基准和训练集。主要贡献是微调的VLM - 8B在基准测试中性能优于Gemini 3.1 Pro。
Comments Accepted to ECCV 2026
Pano2World: 通过统一多视图序列进行端到端三维生成
机构 * Ke Holdings Inc.（贝壳找房）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出Pano2World方法，利用全景扩散模型和视图感知注意力路由，从单张室内全景图直接生成可探索的三维高斯场景，解决多步管道误差累积和视频模型灵活性不足的问题。
Comments 10 pages, 3 figures, 3 tables. Preprint
DramaDirector: 几何引导的短剧生成
机构 * South China University of Technology（华南理工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出几何引导框架DramaDirector，通过检索真实短剧的深度-姿态参考，结合模式约束SFT和GRPO训练规划器，实现从情节到多镜头短剧的生成，在忠实度、一致性和可控性上优于基线。
Comments 20 pages, 17 figures, 6 tables. Code is available at https://github.com/iLearn-Lab/DramaDirector
HyperVAttention：用于视频扩散的具有时空聚类的高效稀疏注意力
机构 * KAIST（韩国科学技术院） ； Google Research（谷歌研究院）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 针对视频扩散中自注意力机制的二次复杂度问题，提出HyperVAttention框架，通过3D局部窗口聚类等方法解决聚类开销大及CTA利用率低的瓶颈，提升视频扩散中无训练稀疏注意力的质量和速度。
Comments 21 pages, 8 figures
Flex-Forcing：迈向统一的自回归和双向视频扩散模型
机构 * NVIDIA（英伟达）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 研究针对现有视频生成方法推理范式僵化的问题，提出Flex-Forcing框架。核心是灵活分块机制，可依设备预算灵活分块，跨块双向推理与块内自回归生成，实验表明该框架提升了视频质量、稳定性并加快推理速度。
Comments Project page: https://research.nvidia.com/labs/genair/flex-forcing
奖励闪电：通过同源偏好蒸馏实现快速视频生成
机构 * Tencent Hunyuan（腾讯混元）
专题命中 视频扩散模型 ：video generation(title)；video diffusion(abstract)；分类 cs.CV
AI总结 研究视频扩散模型中同时进行偏好对齐和蒸馏加速的挑战，提出统一框架Reward Lightning，利用同源原理在共享表示中对齐和加速模型，介绍潜在奖励模型和同源偏好蒸馏，实验证明其有效性。
Comments Accepted by ECCV 2026
Mask2Real-WM：作为可控灵巧世界模型的模拟到现实桥梁的分割掩码
机构 * Soft Robotic Lab, Department of Mechanical and Process Engineering ETH Zurich, Switzerland（苏黎世联邦理工学院机械与过程工程系软机器人实验室）
专题命中 视频扩散模型 ：video diffusion(abstract,abstract_cn)；分类 cs.CV
AI总结 提出Mask2Real-WM，一种用于灵巧操纵的两阶段动作条件世界模型，将像素预测解耦为动力学和渲染模型，利用分割空间较小的模拟到现实差距，通过合成数据预训练和真实演示微调实现各自由度动作可控。
Comments 23 pages, 24 figures, 4 tables. Preprint. Project page: https://srl-ethz.github.io/Mask2Real-WM/
用于少步生成建模的感知流匹配
机构 * Joy Future Academy（京东探索研究院） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； USTC（中国科学技术大学）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 提出感知流匹配框架，在感知特征空间监督流匹配，改进少步生成能力，减少采样步骤，无需教师模型和辅助分数网络，实验表明其能产生高质量结果。
激励视觉语言模型进行长视频问答搜索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视频问答 ：long video(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 研究将长视频问答从被动单流程感知任务转变为多轮检索过程，核心方法是自然语言驱动搜索及强化学习后训练，贡献是提升长视频理解基准测试分数。
Comments To appear at the European Conference on Computer Vision (ECCV 2026)
InternVLA-A1.5：统一理解、潜在预见与组合泛化的行动
机构 * Physical Intelligence Team Shanghai AI Laboratory（上海人工智能实验室物理智能团队）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 研究旨在统一机器人操作模型，提出InternVLA-A1.5，基于原生VLM骨干构建策略，将未来预测转化为潜在查询问题，继承预训练视频生成模型动力学先验，在模拟和现实基准测试中效果良好。
Comments Homepage: https://internrobotics.github.io/internvla-a15.github.io/
Worldscape-MoE：用于可扩展异构动作控制的统一专家混合世界模型
机构 * Tsinghua University（清华大学） ； Manifold AI
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 研究视频生成世界模型控制接口碎片化瓶颈，提出基于扩散变换器的专家混合世界模型Worldscape-MoE，通过模态感知控制注入等实现异构动作控制，实验验证其有效性和扩展性。
Comments 36 pages
TimeThink：用于视频语言模型的时间推理
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； OPPO AI Center, OPPO Inc.（OPPO公司OPPO人工智能中心）
专题命中 长视频与时序推理 ：video understanding(abstract)；video reasoning(abstract)；long video(abstract)；分类 cs.CV
AI总结 研究视频推理中模型发现时间证据的问题，提出TimeThink框架，将时间线索步骤作为优化原语，引入奖励和优化目标，构建数据集，实验表明该框架提升了时间定位和推理性能。
Comments 14 pages
SafeGuard：用于社会风险AI生成视频检测的多智能体感知-推理框架
机构 * University of Science and Technology of China（中国科学技术大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Vast Intelligence Lab（旷视智能实验室）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 针对AI生成视频检测挑战，提出SafeGuard多智能体框架，通过感知求解器与验证器协作，引入SafeVid基准，实验证明其泛化性佳，提升检测准确率。
Comments Accepted to ECCV 2026, The code and dataset are publicly available at https://github.com/williamw99/SafeGuard
STAC：用于视频推理分割的选择性时空聚合与压缩
机构 * School of EEE, Nanyang Technological University, Singapore（新加坡南洋理工大学电气与电子工程学院） ； Institute for Infocomm Research, A*STAR, Singapore（新加坡资讯通信研究院） ； VCIP, CS, Nankai University, Tianjin, China（中国天津南开大学计算机科学学院视觉计算与模式识别实验室） ； AAIS, Nankai University, Tianjin, China（中国天津南开大学人工智能学院） ； NKIARI, Shenzhen Futian, China（中国深圳福田国家知识创新工程研究院） ； Guizhou University, Guizhou, China（中国贵州大学） ； Fudan University, Shanghai, China（中国上海复旦大学）
专题命中 其他视频模型 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 视频推理分割面临高成本问题，现有方法有局限。基于状态空间模型，STAC通过解耦的空间和时间扫描丰富特征，利用冗余进行分层压缩，在零样本流兼容设置下减少令牌、加速并超越基线。
用于视频推理的潜在视觉缓存
机构 * Tencent Youtu Lab（腾讯优图实验室） ； Tsinghua University（清华大学） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
专题命中 其他视频模型 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 研究视频推理中视觉锚定衰减问题，提出潜在视频缓存Latent-VC插入解码器，通过监督对比缓存对齐等训练，在多视频基准测试中表现优于基线，能保留视觉证据提升推理。
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