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。
AVCap：用细节感知奖励强化音视频联合字幕
机构 * MMLab, CUHK（香港中文大学MMLab） ； Peking University（北京大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 针对音视频联合字幕的数据集、奖励信号、评估基准的局限，提出AVCap-100K数据集、AVCap模型及专用基准指标，通过Da-GRPO优化的AVCap模型性能优异。
身份作为存在：迈向基于外观和声音的联合音频视频生成
机构 * Tencent Inc.（腾讯公司） ； Peking University（北京大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出一个统一的框架，实现身份感知的音频视频生成，通过数据整理管道和灵活的身份注入机制，提升生成内容的高保真度和一致性。
Surg-UniWorld：具有多模态控制专家的统一外科世界模型
机构 * The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； the University of Sydney（悉尼大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本研究提出Surg-UniWorld统一外科世界模型，构建Chlec80-SurgWAM基准，经实验证实其在可控外科视频生成相关指标上优于现有方法。
从廉价伪造到纯合成：应对文本生成视频（T2V）假新闻视频的新时代
机构 * Hong Kong Baptist University（香港浸会大学） ； Beijing Normal University（北京师范大学）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 该研究针对纯合成T2V假新闻视频带来的新威胁，构建了首个纯合成假新闻视频数据集，提出R-T2V框架，在10种主流基准上取得最优检测性能。
Comments Accepted at ACM Multimedia (ACM MM), 2026
SignVerse-2M：包含55+种手语的两百万片段姿态原生数据集
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出SignVerse-2M，这是一个包含55+种手语、约200万片段的大规模多语言姿态原生手语数据集，适配现代姿态驱动的生成与识别范式，兼具真实场景适配性，可支撑多语言手语姿态建模与评估。
Comments Fix some typos. 13 pages. Project Page at: https://signerx.github.io/SignVerse-2M/
TIDE: 任务隔离扩散模型用于统一视频编辑与生成
机构 * Zhejiang University（浙江大学） ； Bilibili Inc.（哔哩哔哩股份有限公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出TIDE统一框架，通过逐token任务嵌入和双路径条件机制，实现指令编辑、参考编辑和多参考生成，在多任务渐进训练下达到SOTA性能。
MirrorWorld：利用视频扩散模型生成镜像反射
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 MirrorWorld是一种反射感知视频修复框架，通过语义关系蒸馏和几何变换对齐建模场景与镜像的关系，在视频镜像反射重建任务上优于现有方法。
Comments Project Page: https://youjunzhao.github.io/MirrorWorld/
高维流形假设下扩散模型的收敛性
专题命中 视频扩散模型 ：video generation(abstract)
AI总结 该研究在流形假设下证明 DDPM 的分数学习和采样复杂度均实现与高维 ambient 空间维度无关的速率，通过建立扩散模型与高斯过程极值理论的新框架完成，解释了其经验成功。
Robust-WAM：桥接生成式预训练与世界-动作模型中的语义前瞻
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Beihang University（北京航空航天大学） ； Huawei Foundation Model Department（华为基础模型部门）
专题命中 动作与事件理解 ：video generation(abstract,abstract_cn)；分类 cs.CV
AI总结 Robust-WAM是一种通用后训练方法，在保留VAE生成路径的同时添加语义前瞻对齐，可提升多个WAM基线在分布外条件下的动作预测成功率且不损失分布内性能。
MotionStrata：用于紧凑视频自编码的分层运动隐变量
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Li Auto ； Zhejiang Lab（浙江实验室） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 MotionStrata将运动预算分为全局与详细运动，在不增维度下实现分层表示，压缩时重建质量优于其他方法，为紧凑视频自编码提供新设计原则。
Vorch-Streamer：将人类音视频生扩展至实时长格式流式生成
机构 * Vorch Team（Vorch团队） ； Tongji University（同济大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 Vorch-Streamer是一款后训练框架，通过混合训练、自强制与DMD蒸馏等技术，实现了超24 FPS的实时长格式T2AV流式音视频生成，兼具音唇同步性与身份保留能力。
Comments Project page: https://vorch-project.github.io/Vorch-Streamer-project/
ODEWorld：一种基于物理时间流的连续预测架构
机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） ； Berkeley Artificial Intelligence Research (BAIR), University of California, Berkeley（加州大学伯克利分校伯克利人工智能研究院（BAIR））
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 研究针对现有世界建模机器学习范式局限于离散时间预测的问题，提出基于PT-Flow的连续时间潜在世界模型ODEWorld，解决表示崩溃问题，在视频生成和机器人控制任务中表现出色。
我在视频中寻找你：面向以人为中心的视频推理的身份条件查询
机构 * Beijing Jiaotong University（北京交通大学） ； HUJING Digital Media & Entertainment Group（汇晶数字媒体与娱乐集团） ； MAIS Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS）
专题命中 视频数据与评测 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 该研究提出了身份条件查询（ICQ）任务，构建了ISYV基准、训练集与框架，实验显示主流多模态大语言模型在该任务上表现不佳，ISYV模型性能优于强基线且接近闭源模型。
Comments Accepted to ACM Multimedia 2026 (MM '26). 6 figures, 5 tables
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