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。
Light-Omni：基于长期记忆的智能视频理解中的反射优于推理
机构 * Nanjing University（南京大学）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 研究针对智能视频理解中先进智能体依赖迭代推理成本高的问题，提出Light-Omni框架，通过双重上下文状态实现反射式轻量级视频理解，经实验验证其有效性，性能优于M3-Agent且能增强现有MLLMs。
Comments Project Page: https://clare-nie.github.io/Light-Omni
EgoPolice：用于高风险警察随身摄像机视频中自我中心视频理解的基准
机构 * Princeton University（普林斯顿大学） ； University of Pennsylvania（宾夕法尼亚大学）
专题命中 视频理解 ：video understanding(title)；分类 cs.CV
AI总结 研究旨在为高风险警察随身摄像机视频中的自我中心视频理解创建基准EgoPolice，通过精心挑选标注数据，设置分类和问答任务，对模型测试发现即使优秀模型预测高风险行动也有困难，该基准为开发相关模型及下游人工审查奠定基础。
通过多尺度卷积和动态路由实现下一代网络的语义视频通信
机构 * Graduate School of Fundamental Science and Engineering, Waseda University（早稻田大学基础科学与工程研究生院） ； Generative AI Innovation Center, Amazon Web Services（亚马逊网络服务生成人工智能创新中心） ； Amazon（亚马逊）
专题命中 视频理解 ：video-language(abstract)；分类 cs.CV
AI总结 针对视频流量增长需求，提出语义视频通信框架，用多尺度时间卷积编码器捕捉运动模式，基于胶囊的动态路由机制优化关联，多任务学习统一组件，在实验中取得显著改进。
Comments Accepted at the AAAI 2026 Workshop on AI for Time Series (AI4TS)
SparseCtrl-HOI：用于人机交互视频生成的稀疏时间控制
机构 * South China University of Technology（华南理工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 研究针对人机交互视频生成中建模物理动力学及时空协调复杂、现有方法依赖密集指导成本高且影响多样性的问题，提出SparseCtrl-HOI框架，用关键帧结合新机制和模块控制，构建数据集，降低标注开销，提升直播电商视频质量。
Comments ECCV 2026, Project Page: https://mpi-lab.github.io/SparseCtrl-HOI
Aura：通过基于VLM的语义对齐实现一致的多主体视频生成
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Aura框架用于高保真和身份一致的视频生成，引入AI导演级字幕、利用VLM提取多模态语义特征，设计对齐策略，采用多种机制减少伪影，在多主体视频生成上达先进性能。
Comments Project page: https://aura-project-page.github.io/ Code: https://github.com/Camellia997/Aura
点作为骨架：累积点云增强自回归生成用于闭环自动驾驶模拟
机构 * Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 针对自动驾驶模拟难题，提出“点作为骨架”框架，通过自回归生成器结合多种条件合成视频，引入Reset-and-Roll支持闭环，用点云骨架稳定误差，实现基于nuPlan的闭环生成接口，实验证明其提升了闭环自回归生成质量。
世界模型的定义与路线图
机构 * Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视频生成 ：video generation(abstract)
AI总结 本文针对人工智能领域对世界模型定义、预测内容及构建方式缺乏共识的问题，给出科学定义，讨论关键技术，提供分阶段路线图，以助力有效世界模型的开发。
Comments Technical report, 58 pages, 10 figures
FADRA：用于视频人脸识别的频率感知扩散与残差自适应
机构 * United Arab Emirates University (UAEU)（阿联酋大学） ； Ocean University of China (OUC)（中国海洋大学） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 研究针对视频人脸识别在复杂退化下难以平衡空间保真度和时间连贯性的问题，提出FADRA框架，利用预训练模型的时间一致性，通过LoRA适配器、重复残差自适应头及频率感知损失等实现，实验证明其在恢复面部结构和保持时间一致性上优于现有方法。
眩晕眩晕：通过其预测性AI双重重建电影理想
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV、cs.MM
AI总结 使用仅2.78%原始帧通过视频扩散模型重建希区柯克《迷魂记》，验证生成系统编码的经典电影规范，73.1%帧可识别，3.6%严重失败。
Comments Accepted to Ars Electronica EXPANDED 2026 - Conference on Animation and Interactive Art (in cooperation with ACM SIGGRAPH), Ars Electronica Festival, Linz. 7 pages, 7 figures. Authors' version
ProxyPose：通过视频到视频转换进行六自由度姿态跟踪
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 研究旨在解决单目视频中6-DoF姿态跟踪问题，核心方法是将其转化为视频到视频转换，利用视频扩散模型生成代理视频，通过现成求解器恢复姿态。主要贡献是在无额外输入下实现高精度，且可扩展到多种场景。
Comments 23 pages, 6 figures
用于参数高效多镜头长视频外推的提示适配器上下文路由
机构 * Instituto de Investigación en Visión Artificial（人工视觉研究所）
专题命中 长视频与时序推理 ：long video(title,abstract)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 研究多镜头长视频外推问题，提出PACR-Video框架，通过冻结文本到视频扩散变换器，用低秩时间适配器及递归提示库增强，结合特定调优目标和调度，在多基准测试中优于多种基线，证明其能为长视频外推提供可控能力。
Comments 10 pages, 2 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