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。
VisualRouter：面向长视频理解的查询驱动视觉采样
机构 * Tongji University（同济大学） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 本文提出无训练即插即用框架VisualRouter，通过将查询分为全局或局部并采用对应采样策略，提升了大型视觉语言模型的长视频理解性能，在多个基准数据集上优于均匀采样及现有无训练方法。
超越帧选择：用于长视频理解的生成式潜在证据聚合
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Baidu Inc.（百度公司） ； Alibaba Group（阿里巴巴集团） ； Xidian University（西安电子科技大学）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 该研究针对长视频理解的帧选择局限，提出GenEvA框架，通过查询条件化分布聚合跨帧潜在证据，在四个基准和两个视频多模态大语言模型主干上显著提升性能且开销极低。
AgentHOI：通过隐式表示对齐进行人类-物体交互视频生成的多智能体推理
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent HunYuan（腾讯混元）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究针对HOI视频生成中现有方法依赖显式运动控制的问题，提出AgentHOI，通过多智能体推理和隐式文本-运动对齐策略，实现文本驱动的HOI视频生成，提升了交互自然性等，改进了复杂场景下的表现。
Comments Under review. The code is available at https://github.com/bone-11/agenthoi
通过后训练增强视频生成中的场景转换意识
机构 * Stevens Institute of Technology（史蒂文斯理工学院）
专题命中 视频生成 ：video generation(title)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出TAV数据集，通过后训练提升视频生成中场景转换的理解能力，改善多场景生成效果并保持图像质量。
Journal ref Proceedings of the 14th International Joint Conference on Natural Language Processing and the 4th Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics (2025) 706-721
代理视频生成：通过工具约束的LLM规划从文本到可执行事件图
机构 * Institute of Mathematics of the Romanian Academy（罗马尼亚科学院数学研究所） ； National University of Science and Technology Politehnica Bucharest（布加勒斯特理工大学） ； Büchi Labortechnik AG（布奇实验室技术股份公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出了一种代理系统，通过LLM生成结构化的事件图规范，并在3D引擎中确定性执行，解决了传统视频生成的语义可靠性问题，展示了在物理真实性和语义对齐上的优越表现。
计算教育中学生对AI生成教学视频的感知与偏好
专题命中 视频生成 ：video generation(abstract)
AI总结 本研究通过对170名计算专业学生的调查，探究其对Knowlify生成的Markdown教学AI视频的感知与偏好，发现学生认可视频质量但对其课堂广泛采用存顾虑，明确了AI视频的适用场景与潜在问题。
LeapBot-WA：通过预测性潜在对齐实现的世界锚定动作模型
专题命中 视频生成 ：video generation(abstract)
AI总结 研究针对世界动作模型依赖像素级视频生成的瓶颈，提出LeapBot-WA，通过预测性潜在对齐建立新范式，引入ISAE弥合模态差距，设计MoT架构，在多数据集上表现出色，实现高效强大的潜在中心范式及零样本鲁棒性和现实世界迁移。
基于回退误差的时间集中：文本到视频扩散的隐式偏好优化
机构 * Tsinghua University（清华大学） ； Kuaishou Technology（快手科技） ； Sun Yat-sen University（中山大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；text-to-video(title)；video generation(abstract)；分类 cs.CV
AI总结 针对文本到视频扩散模型的时间稀疏伪影问题，本文提出集中式隐式偏好优化（cIPO）框架，通过回退误差推导隐式偏好信号，将优化集中于高误差片段，有效提升了视频的真实性与时间连贯性。
Comments project page: https://henglin-liu.github.io/cIPO_vis/
CachedSearch：用于视频扩散测试时搜索的免训练缓存探索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV、cs.MM
AI总结 研究视频扩散测试时搜索中缓存对候选者排名的影响，提出CachedSearch方法，通过积极缓存探索候选者，仅全计算时重生成获胜者，在多模型多系列中有效提升效率，以低成本获高增益，且免训练、与验证器无关，可用于测试时扩展。
生成式可重光照虚拟化身
机构 * Max Planck Institute for Informatics, Saarland Informatics Campus（马克斯·普朗克信息学研究所，萨尔兰信息学园区）
专题命中 视频扩散模型 ：video diffusion(abstract)；long video(abstract)；分类 cs.CV
AI总结 提出生成式可重光照虚拟化身（GRA），结合物理光照与概率细化，实现全身人物的自由视角渲染和环境图重光照，在感知质量上优于现有方法。
Comments Project Page: https://vcai.mpi-inf.mpg.de/projects/GRA/
Chimera：设计与遵循Chinchilla缩放规律的混合视觉扩散Transformer
机构 * Adobe Research（奥多比研究院）
专题命中 视频扩散模型 ：long video(abstract)；分类 cs.CV
AI总结 Chimera是一款混合视觉扩散骨干网络，结合KDA、MLA等模块与HeteroP缩放方案，训练出11B参数（2B激活）的模型，在计算效率、视频泛化等方面优于基线，为长上下文扩散架构设计提供基础。
Comments 40 pages
从静止状态观测的关节对象重建
机构 * Seoul National University（首尔大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 该研究针对需多关节状态运动观测的现有关节对象重建方法的局限，提出从单一静止闭合配置重建关节对象的方法，通过显式网格融合多模型输出，结合视频扩散模型实现无运动观测下的关节参数估计，性能与多种基线相当。
Comments ECCV 2026
EgoGenesis：基于在线锚定投影记忆与Action-3D RoPE的自我中心世界-动作建模
机构 * Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团） ； Tianji KernalMind Co., Ltd.（天机芯智有限公司） ； The Hong Kong University of Science and Technology（香港科技大学） ； Southeast University（东南大学） ； Renmin University of China（中国人民大学） ； The University of Tokyo（东京大学）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出EgoGenesis模拟器，通过在线锚定投影记忆与Action-3D RoPE合成自我中心操作视频，扩充训练数据，显著提升了真实机器人单臂、双臂任务的分布外操作成功率。
Comments project page: https://egogenesis.github.io/
TelePhysics: 从单张图像生成物理一致的多物体场景 with 实时交互
机构 * Fudan University（复旦大学） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院（TeleAI））
专题命中 长视频与时序推理 ：video generation(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出TelePhysics，一种无需训练的框架，通过整体场景级3D重建将单张图像转换为物理一致且可控的视频。该方法通过统一的空间坐标系统表示完整场景几何，解决物体穿透和对齐模糊问题，实现准确的多物体交互和更丰富的复杂控制类型，从而在保持逼真视觉保真度的同时实现实时物理交互预览。
Comments ACMMM 2026. Project page: https://physomni.github.io/
ReToken：用一个标记改进用于视觉检索的视觉-语言模型
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院） ； Google DeepMind（谷歌DeepMind）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 该研究提出轻量级ReToken，通过选择视觉键值缓存中与查询相关的稀疏标记解决长视觉上下文的视觉检索难题，在多基准测试中提升Qwen3VL-8B等模型性能，且可在单H100运行。
Comments Code: https://github.com/avaxiao/ReToken
RRM：用于长周期多模态推理的经验驱动反思式检索记忆
专题命中 长视频与时序推理 ：long video(abstract)
AI总结 该研究针对现有多模态长期智能体检索机制不足的问题，提出RRM框架，通过反思式经验记忆提炼跨任务检索策略，在多个多模态推理数据集上取得优于现有方法的性能。
EgoSafe：用于视觉安全理解的第一人称移动采集基准
机构 * South China University of Technology（华南理工大学） ； Beihang University（北京航空航天大学）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV
AI总结 该研究推出第一人称移动采集的视觉安全理解基准 EgoSafe-Bench，含12000个样本，用分层推理评估（HRE）协议测试，发现现有大视觉语言模型存在感知-推理解耦问题，为逻辑鲁棒视频理解系统提供评估框架
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