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。
视频证据推理：通过显式证据接地实现高效的视频理解
机构 * Department of Applied Mathematics, The Hong Kong Polytechnic University（应用数学系，香港理工大学）
专题命中 视频理解 ：video understanding(title,abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 本文提出CoE框架，通过显式证据接地模块和强化学习优化的锚定协议，提升视频推理的准确性和可靠性。
Comments 6 pages
ReynoldsFlow：用于视频理解的物理启发式时空流表示
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 针对现有视频理解方法计算成本高、运动表示鲁棒性差的问题，提出基于RTT和HHD的ReynoldsFlow，分解运动为CF和DF分量，可提升下游任务性能且兼具轻量高效性。
Comments 18 pages, 2 figures, 4 tables
TempJail：基于字幕时序调度的针对大型视觉语言模型的时序越狱攻击
机构 * University of Electronic Science and Technology of China（电子科技大学） ； East China Normal University（华东师范大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 TempJail是一种黑盒视频越狱框架，通过优化字幕时序调度攻击LVLMs，在四个模型和两个数据集上的攻击成功率优于基线。
Comments 8 pages,4 figures
PL-NBA：支持多种视觉理解任务的控球级通用篮球视频数据集
机构 * Beijing University of Technology（北京工业大学） ； Nanjing University of Science and Technology（南京理工大学） ； Hong Kong Polytechnic University（香港理工大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文构建首个控球级篮球视频数据集PL-NBA，包含11000个进攻控球片段及31567个注释事件，在四项视觉理解任务上验证其挑战性，为体育视频理解提供基准。
VGI-BENCH：探究视频生成模型的视觉智能
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） ； University of Waterloo（滑铁卢大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（矢量研究所） ； Microsoft Research（微软研究院） ； Etude AI
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本研究推出VGI-bench基准，含27项任务810个实例，评估视频生成模型视觉推理能力，发现最强模型Seedance~2.0仅达51.0%，将推动下一代视频生成模型发展。
OmniCamera：一个统一的多任务视频生成框架，支持任意相机控制
机构 * Sun Yat-sen University（中山大学） ； Hunyuan, Tencent（腾讯混元） ； CityU（香港城市大学） ； PolyU（香港理工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 OmniCamera通过显式解耦场景内容与相机运动，实现灵活的视频生成，提出混合数据集和双阶段课程协同训练策略，提升多任务学习性能。
SparSTAR：用于时空自回归视频合成的稀疏注意力机制
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 针对InfinityStar视频合成中高成本注意力与不可靠稀疏模式问题，提出无需训练的SparSTAR块稀疏注意力，在720p生成任务中实现约1.6倍加速且保持高保真度。
编码智能体作为世界模拟器
机构 * Department of Mechanical & Aerospace Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校机械与航空航天工程系） ； School of Computer, Data, and Information Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机、数据与信息科学学院）
专题命中 视频生成 ：text-to-video(abstract)
AI总结 提出一个通过可执行模拟代码构建基于物理的世界模型的智能体框架，协调规划、代码生成、视觉审查和物理分析智能体，迭代修正代码以满足物理约束，在物理准确性、指令忠实度和视觉质量上超越视频模型。
DreamHand：复用视频扩散模型实现遮挡鲁棒的第一人称视角3D手部运动恢复
机构 * ACE Robotics（ACE机器人公司） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 DreamHand是复用视频扩散模型的离线片段级框架，通过确定性干净潜在编码器与双向时空解码器恢复带度量位置的连续双手轨迹，在五个第一人称视角基准测试中实现最佳性能，为机器人操作数据提供可扩展路径。
Comments Project Page: this https URL (https://ggxxii.github.io/dreamhand/)
4DAnyone：从随意的单目视频中创建4D虚拟人物
机构 * State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室） ； Robbyant ； Chinese University of Hong Kong（香港中文大学） ； Ant Group（蚂蚁集团） ； Hong Kong University of Science and Technology（香港科技大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 4DAnyone是一种从单目视频重建4D人体的框架，通过RCP和TCR解决多视图一致性问题，在相关数据集上优于现有方法且泛化性好。
Comments Project page: this https URL (https://4danyone.github.io)
AvatarDynamizer：通过生成式动态纹理从静态化身到动态人类化身
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； EPFL（洛桑联邦理工学院） ； VIA Research Center（VIA研究中心）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 AvatarDynamizer是一种生成式方法，可将现成静态3D化身转为可控多视角一致4D化身，通过纹理空间动态嵌入实现真实表面动态，在视觉保真度上优于通用方法。
Comments Project page: this https URL (https://vcai.mpi-inf.mpg.de/projects/AvatarDynamizer)
Stream4D：面向流式自回归扩散视频模型的4D一致性
机构 * UCLA（加州大学洛杉矶分校） ； Tsinghua University（清华大学）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 Stream4D用显式建模场景动力学的前馈4D重建奖励替代静态评判器，结合运动先验与感知锚，提升流式自回归扩散视频模型的4D重建质量、运动保留效果及人类对齐偏好。
SportsGrounder：用于密集体育视频推理的提案辅助交错定位框架
机构 * Zhejiang University（浙江大学） ； Beijing Jiaotong University（北京交通大学）
专题命中 动作与事件理解 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 针对LMMs难以处理密集体育视频细粒度推理的问题，提出SportsGrounder框架，结合IGF机制与AAS模块，在SoccerNet等数据集上实现最优准确率。
Comments ACMMM 2026
StreamSoccer：用于流式足球解说的事件驱动记忆
机构 * Migu Video Technology Co., Ltd.（咪咕视讯科技有限公司） ； South China University of Technology（华南理工大学） ； East China Normal University（华东师范大学）
专题命中 动作与事件理解 ：video understanding(abstract)；video-language(abstract)；分类 cs.CV
AI总结 本研究提出StreamSoccer，一种用于流式足球解说的事件驱动系统，通过建模事件生命周期实现多时间范围解说，在数据集评估中取得优异性能且计算开销可控。
VISD: 通过结构化自蒸馏增强视频推理
机构 * HUST（华中科技大学） ； Wuhan University（武汉大学） ； Peking University（北京大学） ； Tsinghua University（清华大学）
专题命中 长视频与时序推理 ：video reasoning(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 提出VISD框架，利用结构化自蒸馏和方向-幅度解耦机制，实现细粒度信用分配，提升视频推理准确性和训练效率。
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