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。
WorldExam：从表观外观到内在反应性对世界模型进行基准测试
机构 * CASIA（中国科学院自动化研究所） ； SLAI（智能科学与技术实验室） ； CUHK（香港中文大学） ； AMAP（中国农业科学院） ； THU（清华大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 该研究推出WorldExam基准，评估20个模型在视觉质量等四层级的表现，发现不同驱动模型能力有明显分化，无模型兼具广泛任务覆盖与稳定性能，高视觉质量不代表内在反应性强。
Comments Project Website: https://WorldExam.github.io
面向信号的WaiT：简单的频率感知流匹配
机构 * FAIR, Meta（FAIR（Meta旗下研究机构）） ； École Normale Supérieure（巴黎高等师范学院） ； Sorbonne University（索邦大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 该研究提出频率感知流匹配模型WaiT，通过无损小波分解生成过程，引入三轴评估协议，在ImageNet等数据集上实现SOTA生成性能，采样计算量降低50%，还可无缝扩展至视频生成。
Wonder：改进的视频世界模型
机构 * Adobe Research（Adobe研究院） ； Johns Hopkins University（约翰·霍普金斯大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Wonder是用于实时相机可控世界探索的通用视频世界模型，通过系统级协同设计，包括新型相机条件设定、高效内存机制等，能合成多样视频，支持视频条件生成，保持长时间的连贯视觉效果。
Comments Project Page: https://wonder-world-model.github.io/
薛定谔的猫：潜在场景运动学的概率表示与预测
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究如何从部分观测预测场景演变，提出GARFIELD概率模型，能学习潜在表示实现轨迹联合采样和运动分布访问，实验显示其在运动规划性能、采样速度及密度估计上优势显著。
Comments Accepted at ECCV 2026. Project page: https://compvis.github.io/schroedingers_cat
EgoPlay：用于第一人称视角视频流的事件触发式视频编辑
机构 * Snap Inc.（Snap公司） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 研究第一人称视角视频流编辑问题，提出EgoPlay，通过微调预训练模型，在单个端到端模型中联合学习事件识别等，构建数据集训练双向视频扩散编辑器，在Ego4D基准测试中表现出色，优于现有基线。
Comments Accepted to SIGGRAPH Asia 2026 as a Conference Paper. Project page: https://egoplay2026.github.io/egoplay
MXAttention：用于MXFP4注意力的数据无关最优缩放和预归一化量化
机构 * Huawei Technologies Co., Ltd.（华为技术有限公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 针对基于扩散的视频生成模型中注意力二次成本的瓶颈，提出MXAttention框架，通过引入通用最优缩放和预归一化量化组件，缩小了MXFP4与FP16的成像质量差距，提升了帧级相似度，且性能与强大基线竞争。
OSVE：使用单步扩散模型进行单步视频编辑
机构 * Korea University（韩国大学）
专题命中 视频生成 ：long video(abstract)；分类 cs.CV
AI总结 研究针对扩散模型文本引导视频编辑慢的问题，提出OSVE框架。通过训练可学习编码器预测初始噪声，引入UFE技术及滑动窗口策略保持一致性，实现高质量视频编辑，速度比现有方法快约155 - 171倍。
KineBench：通过无逆动力学模型的运动学基础对具身世界模型进行基准测试
机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Shenzhen Research Institute of Northwestern Polytechnical University（西北工业大学深圳研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究旨在评估具身世界模型物理一致性，提出无逆动力学模型的KineBench基准测试。利用级联视觉基础模型提取姿态，在物理模拟器中闭环验证，纳入运动学指标，基于ManiSkill3的任务评估EWMs，揭示任务复杂度受限的非线性缩放，为数据缩放策略提供指导。
Comments Accept to ECCV2026
OmniReasoner：通过原生工具使用进行长音频-视频推理
专题命中 视频生成 ：video reasoning(abstract)；分类 cs.CV
AI总结 针对长音频-视频推理难题，OmniReasoner提出工具使用后训练框架，通过监督微调与强化学习让全模态语言模型学会调用放大工具，利用TimeAnchor保持时间参数一致性，借助时间增强数据引擎实现可训练，提升了答案准确性与时间定位能力。
FilmWorld：通过动态电影世界建模实现从小说到电影的智能生成
机构 * Huazhong University of Science and Technology（华中科技大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究如何将小说转化为电影，提出将其形式化为动态电影世界建模，构建FilmWorld系统，两组智能体协作实现各阶段，引入FilmEval评估框架，实验证明该系统性能优于现有技术。
Comments Project Page: https://filmworld-ai.github.io
视频中的思考：视频生成器真的能对现实世界进行推理吗？
机构 * Central South University（中南大学） ； Tencent（腾讯） ； Tsinghua University（清华大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 探讨视频生成器能否对现实世界推理，引入因果生成双判断（CGDJ）评估，发现开源模型无明确因果感知却有合理动态，先进闭源系统推理与生成一致性有限，还揭示了视听失调问题。
从带草稿到无草稿：通过特权蒸馏和快速植入实现一步视频对象移除
机构 * Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所） ； SGIT AI Lab, State Grid Corporation of China（国家电网公司SGIT人工智能实验室） ； Zhejiang University of Technology（浙江工业大学） ； Baidu（百度）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究视频对象移除问题，提出D2DF框架，通过特权蒸馏和自引导快速植入模块，将教师模型多步细化能力提炼到学生模型，实现一步视频对象移除，在质量和效率上优于传统及多步生成方法。
Comments Accepted by ECCV 2026
循环世界：通过反向预测循环一致性减轻长期视频世界模型中的误差累积
机构 * School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； Institute of Cyber-Systems and Control, Zhejiang University, Hangzhou, China（浙江大学控制系统研究所） ； Nanyang Technological University, Singapore（新加坡南洋理工大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 针对自回归扩散模型在长视频生成中误差累积问题，提出循环世界框架，通过训练和推理阶段的时间可逆性及反向预测模型抑制误差，实验证明其在VBench基准测试中显著减轻误差漂移，提升生成质量和时间一致性。
Comments Accepted by ECCV 2026
通过注意力头控制扩散变换器中的运动传递
机构 * Yonsei University（延世大学） ； LG Electronics（LG电子） ； University of California, Merced（加州大学默塞德分校）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究如何控制扩散变换器中的运动传递，通过在注意力头层面分析，提出无需参数更新的头感知可控运动传递框架，利用语义对应引导和选择性特征注入，实现精确运动传递并为可控视频生成提供可解释基础。
Comments Accepted to ECCV 2026, Project page: https://sunyj-hxppy.github.io/halo/
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。
自然语言相机运动理解
机构 * Boston University（波士顿大学） ； Pixocial Technology（皮克索西尔科技公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 研究自然语言相机运动理解问题，指出现有视觉语言模型在此任务上的不足。核心方法是建立分类法、基准和训练集。主要贡献是微调的VLM - 8B在基准测试中性能优于Gemini 3.1 Pro。
Comments Accepted to ECCV 2026
Pano2World: 通过统一多视图序列进行端到端三维生成
机构 * Ke Holdings Inc.（贝壳找房）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出Pano2World方法，利用全景扩散模型和视图感知注意力路由，从单张室内全景图直接生成可探索的三维高斯场景，解决多步管道误差累积和视频模型灵活性不足的问题。
Comments 10 pages, 3 figures, 3 tables. Preprint
DramaDirector: 几何引导的短剧生成
机构 * South China University of Technology（华南理工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出几何引导框架DramaDirector，通过检索真实短剧的深度-姿态参考，结合模式约束SFT和GRPO训练规划器，实现从情节到多镜头短剧的生成，在忠实度、一致性和可控性上优于基线。
Comments 20 pages, 17 figures, 6 tables. Code is available at https://github.com/iLearn-Lab/DramaDirector
WorldDirector: 构建具有持久动态记忆的可控世界模拟器
机构 * HKUST（香港科技大学） ； Ant Group（蚂蚁集团） ； ZJU（浙江大学） ； CUHK（香港中文大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出WorldDirector框架，通过LLM协调3D轨迹与相机运动作为视频生成控制信号，解耦语义运动编排与视觉生成，实现持久动态对象记忆和自由视角探索。
Comments Project Page: https://worlddirector.github.io/
统一全景-高斯表示用于单目4D场景合成
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出PanoGaussian，结合全景轨迹引导与显式动态高斯表示，解决单目视频4D场景合成中视角外区域推断不一致和动态内容建模问题。
Comments Accepted at ECCV 2026
Ink3D: 通过视频生成模型雕刻具有极其复杂纹理的3D资产
机构 * ZGCA & ZGCI（ZGCA 和 ZGCI） ； Microsoft Research（微软研究院） ； Zhejiang University（浙江大学） ； HKUST（香港科技大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出Ink3D框架，利用大规模视频生成模型合成复杂纹理，通过OrbitPainter生成密集轨道扫描视频，并用TextureOptimizer进行神经烘焙以生成一致纹理。
Comments Accepted to ECCV 2026. Project page: https://yuehan99.github.io/Ink3D-TextureGen/
Prompt2Effect: 通过LoRA生成实现免训练图像到视频模型特化
机构 * Northeastern University（东北大学） ； Snap Inc.（Snap公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出Prompt2Effect，一种权重驱动超网络，通过单次前向传播直接合成效果特定的LoRA权重，无需训练，在保持视频质量的同时将计算成本从56 GPU小时降至3.3秒。
Comments Accepted to ECCV 2026, project page: https://xiaomeng-yang.github.io/Prompt2Effect
TIGER：驯服身份、几何和生成先验以实现高质量人脸视频恢复
机构 * MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出TIGER框架，融合身份、几何和生成先验，通过解耦3D参数空间和一步整流流，解决人脸视频恢复中的身份偏移、视角纠缠和感知真实性问题，实现高保真、时间一致且高效的恢复。
EMOSH：用于人体动画的表现性运动与形状解耦
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； WeChat Vision, Tencent Inc.（腾讯微信视觉）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出EMOSH框架，通过可表现人体模型解耦形状与姿态，结合粗细混合运动注入和空间对齐条件机制，实现高保真、可控的人体视频生成，解决运动-形状纠缠问题。
Comments Accepted to ECCV 2026, Project Page: https://eastbeanzhang.github.io/EMOSH/
LearniBridge: 用于扩散模型加速的特征缓存的可学习校准
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出LearniBridge，一种基于低秩共享子空间的可学习校准机制，通过轻量LoRA更新实现特征缓存的多时间步校准，仅需3-5个训练样本即可在图像和视频生成中实现高达5.87倍加速。
Comments Accepted to ICML 2026
OrbitForge: 通过重建锚定的视频合成实现文本到3D场景生成
机构 * Computer Vision Group, Institute of Computer Science University of Bern（计算机视觉组，计算机科学研究所，伯恩大学）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 提出OrbitForge，利用冻结的视频先验和每提示高斯泼溅重建优化，将单个文本生成视频转换为规范闭轨3D场景，无需任务特定微调或分数蒸馏。
Comments 40 pages, 33 figures, 19 tables
OrthoMotion：通过几何语义正交注意力解耦相机与主体运动
机构 * Peking University（北京大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出OrthoMotion方法，通过将相机运动编码为几何通道（旋转位置嵌入相位旋转）和主体运动编码为语义通道（门控值注入交叉注意力），并利用正交正则化保证解耦，实现可控视频生成中相机与主体运动的独立控制，将串扰降低2.4倍以上。
Comments Accepted by SCA2026(poster)
Gen2Balance：面向长尾视频动作识别的生成式平衡方法
机构 * University of Bristol（布里斯托大学） ； Adobe Research（Adobe 研究院）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 提出Gen2Balance方法，利用文本到视频生成模型将长尾训练集平衡为真实与生成视频的混合，结合两阶段训练策略缓解域偏移，在长尾基准上显著提升动作识别准确率。
Comments ECCV 2026
NEXUS: 用于物理一致的高接触3D物体动力学的神经能量场
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出神经能量场框架NEXUS，通过标量能量和耗散项建模保守与非保守动力学，提升高接触3D场景下的长时程轨迹精度并指导视频生成。
Comments 18 pages, 4 figures, 6 tables. Preprint
物理智力验证
机构 * Anates Labs（Anates实验室） ； Technical University of Munich（慕尼黑技术大学） ； University of Technology Nuremberg（纽伦堡技术大学） ； Tuebingen AI Center, University of Tuebingen（图宾根大学人工智能中心） ； Helmholtz AI, Munich（慕尼黑海德堡人工智能研究所） ； Google DeepMind research（谷歌DeepMind研究）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出Physics-IQ Verified基准，通过改进提示和地面真实质量及引入样本级评分系统，提升视频生成模型对物理现实的理解评估，验证结果表明基准提升了57.6%的样本和34.8%的提示。
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