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。
EgoMemReason：一种基于记忆的推理基准，用于长时间的以自身为中心的视频理解
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； NTU Singapore（新加坡国立大学）
专题命中 视频理解 ：video understanding(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 EgoMemReason通过记忆驱动推理评估一周的自身中心视频理解，包含500个问题和六个核心挑战，揭示长时间记忆仍面临挑战。
Comments Accepted by COLM2026. The first two authors contributed equally. Project website: this https URL (https://egomemreason.github.io/)
超越器械运动：面向手术技能评估的组织张力识别
机构 * University of Zagreb（萨格勒布大学） ； University of Twente（特文特大学） ； University of Groningen（格罗宁根大学） ； Radboud University Medical Center（拉德堡德大学医学中心） ； Canisius-Wilhelmina Hospital（卡尼修斯-威廉明娜医院）
专题命中 视频理解 ：video understanding(abstract,comments)；分类 cs.CV
AI总结 针对现有手术视频理解方法未捕捉组织张力的问题，本文构建SurgTension数据集，提出TensionTRAC框架，实现了腹腔镜及机器人辅助直肠癌手术的组织张力识别，为手术技能评估提供客观基准。
Comments The paper is accepted by ECCV 2026 Workshop On Medical Video Understanding
TTSD-FAR：用于大视频语言模型中缺失模态情感识别的带Fisher锚定恢复的测试时自蒸馏
专题命中 视频理解 ：video-language(abstract)；分类 cs.CV
AI总结 针对大视频语言模型测试时的模态缺失问题，提出带Fisher锚定恢复的测试时自蒸馏框架，在多数据集模态缺失场景下性能优于基线方法且保持稳定。
PEEK: 通过高效知识蒸馏提取关键帧
机构 * Télécom SudParis — SAMOVAR（Telecom SudParis — SAMOVAR） ； Institut Polytechnique de Paris（巴黎政治学院） ； Moments Lab
专题命中 视频理解 ：video-language(abstract)；分类 cs.CV
AI总结 提出PEEK方法，通过知识蒸馏将教师模型的帧相关性排名迁移至轻量级时序模型，实现高效动态帧采样，在低帧预算下显著提升视频字幕生成性能。
Comments Accepted at BMVC 2026. Supplementary material at this https URL (https://www.killian-steunou.com/peek/static/pdfs/peek_supplementary.pdf)
CamWorldQA：相机控制型世界视频生成的感知质量评估
机构 * Shanghai Jiao Tong University（上海交通大学） ； Eindhoven University of Technology（埃因霍温理工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本研究推出首个相机控制型世界视频生成质量评估基准CamWorldQA，并提出含三分支的无参考评估网络CWQA，实验显示其性能优于现有方法。
划分支撑集，重建残差：用于视频生成和世界模型的无训练稀疏注意力
机构 * Texas A&M University（德克萨斯农工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出SparsePR算法，结合响应耦合划分与探针拟合残差重建，在四个视频生成和世界模型上实现注意力重建误差降低，22.0%-26.0%执行对密度下保持生成质量，获1.48-2.61倍端到端加速。
Comments 22 pages, 5 figures. Project page: this https URL (https://pardistaghavi.github.io/SparsePR-website/)
GeCo：通过运动和结构评估视频生成的几何一致性
机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； MIT（麻省理工学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 GeCo通过融合残差运动和深度先验，检测静态场景中的几何变形和遮挡不一致问题，并用于评估视频生成模型的性能与缺陷。
IP-Bench：图像到视频生成场景中的图像保护方法基准
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Wuhan University（武汉大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 针对图像到视频生成场景中图像保护方法缺乏统一评估框架的问题，IP-Bench提出首个系统性基准，评估6种保护方法和5种先进模型的鲁棒性及跨模型转移能力。
Comments 15 pages, 7 figures, 9 tables
ORV：基于占用的4D机器人视频生成
机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； IIIS, Tsinghua University（清华大学人工智能研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology, Ningbo（宁波工程技术院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； ByteDance（字节跳动） ； Kling, Kuaishou Technology（Kling，快手科技） ； GigaAI ； AIR, Tsinghua University（清华大学人工智能研究院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 ORV提出一种基于占用的4D机器人视频生成框架，通过结合动作先验与占用视觉先验，提升视频生成质量与可控性，实现多视角一致合成和仿真到现实的迁移。
Comments CVPR 2026. Project page: this https URL (https://orangesodahub.github.io/ORV/) Code: this https URL (https://github.com/OrangeSodahub/ORV)
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: this https URL (https://srl-ethz.github.io/Mask2Real-WM/)
面向街景新视角合成的有效多传感器条件控制
机构 * Stanford Univerity（斯坦福大学） ； NVIDIA
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出StreetNVS视频扩散框架，通过参考增强相机注意力模块和相对射线级位置编码联合利用LiDAR、环视图像和相机位姿，实现稀疏LiDAR条件下的高质量街景新视角合成。
事件因果RAG：一种用于长视频复杂场景中长视频推理的检索增强生成框架
机构 * Tianjin Key Lab of Intelligent Unmanned Swarm Tech & System（天津智能集群技术与系统重点实验室） ； Tianjin University（天津大学） ； Institute of Computing and Intelligence（计算与智能研究所） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Tianjin Artificial Intelligence Innovation Center（天津人工智能创新中心） ； Defense Innovation Institute Academy of Military Sciences（国防科技创新研究院） ； School of Future Technology（未来技术学院） ； Shanghai University（上海大学）
专题命中 动作与事件理解 ：video reasoning(title,abstract)；long video(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 本文提出Event-Causal RAG框架，通过事件因果图和双存储记忆实现长视频推理，优于传统方法，在多事件整合和因果推理任务中表现更优，同时提升内存效率和流式性能。
StateTrace：面向长视频中隐状态时空推理的以对象为中心的框架
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； The University of Sydney（悉尼大学） ； Central South University（中南大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； SenseTime Research（商汤科技研究院）
专题命中 长视频与时序推理 ：long video(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 StateTrace是一种以对象为中心的框架，为VideoLLMs赋予长视频隐状态推理能力，构建时空状态记忆并经实验显著提升了VideoLLMs在相关基准上的性能。
Comments 10 pages. Accepted at ACM Multimedia 2026 (ACM MM 2026)
SAM2Dual：用于长期视频目标分割的无训练双内存机制
机构 * Chung-Ang University（中央大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 本文针对长期视频目标分割的误差累积问题，提出无训练即插即用的SAM2Dual，通过双内存设计与文本感知内存提升长视频鲁棒性，在MOSEv2、LVOSv2基准上取得性能提升。
VA-Judger：用于联合视频-音频生成的人类偏好反馈奖励建模
机构 * Shanghai Innovation Institution（上海创新研究院） ； Fudan University（复旦大学） ； Yinwang Intelligent Technology Co., Ltd（音网智能科技有限公司）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 本研究针对联合视频-音频生成的奖励信号问题，构建了VAPref-10K数据集与VA-Judger-Bench基准，提出思维链全奖励模型VA-Judger，其在预测人类偏好及提升生成质量上均优于基线方法。
Comments 19 pages, 7 figures, 8 tables. Code: this https URL (https://github.com/ShareLab-SII/VA-Judger)
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