KlingAvatar 2.0 Technical Report
KlingAvatar 2.0 技术报告
机构 * Kuaishou Technology（快手科技）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 KlingAvatar 2.0 通过时空级联框架和多模态指令融合技术，实现了高效且高质量的长视频生成，提升了视觉清晰度和多模态对齐能力。
Comments 14 pages, 7 figures
AI 大模型
视频大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
1. 视频生成 2143 篇
Light-X: Generative 4D Video Rendering with Camera and Illumination Control
Light-X：具有摄像机和照明控制的生成式4D视频渲染
机构 * S-Lab, NTU（NTU的S-Lab） ； BAAI ； HUST（华中科技大学） ； AIR,THU（清华大学人工智能研究院） ； FNii, CUHKSZ（CUHKSZ的FNii） ； SJTU（上海交通大学） ； EIT (Ningbo)（宁波工程学院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Light-X通过联合控制摄像机轨迹和光照，实现高质量4D视频生成，优于现有方法。
Comments Project Page: https://lightx-ai.github.io/ , Code: https://github.com/TQTQliu/Light-X
V-RGBX: Video Editing with Accurate Controls over Intrinsic Properties
V-RGBX：具有精确内在属性控制的视频编辑
机构 * Fudan University（复旦大学） ； Adobe Research（Adobe研究院） ； Stanford University（斯坦福大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 V-RGBX通过端到端框架实现基于内在属性的视频编辑，支持直观且物理合理的视频修改，适用于物体外观和场景重照明等应用。
Comments Project Page: https://aleafy.github.io/vrgbx
Autoregressive Video Autoencoder with Decoupled Temporal and Spatial Context
具有解耦时间和空间上下文的自回归视频自编码器
机构 * Zoom Communications（Zoom公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 ARVAE通过解耦时间和空间上下文，实现高效视频压缩与重建，具备轻量模型和小数据优势，适用于视频生成等下游任务。
MoCA-Video: Motion-Aware Concept Alignment for Consistent Video Editing
MoCA-Video：面向一致视频编辑的运动感知概念对齐
机构 * Department of Computer Science（计算机科学系） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学科学与技术学院）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 MoCA-Video通过在冻结的视频扩散模型潜在空间中进行语义混合，实现无需训练的高质量视频编辑，通过动量修正和伽马残差模块提升时间稳定性和语义一致性。
UniUGP: Unifying Understanding, Generation, and Planing For End-to-end Autonomous Driving
UniUGP：统一理解、生成与规划以实现端到端自动驾驶
机构 * ByteDance Seed（字节跳动种子）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 UniUGP通过整合预训练视觉模型和视频生成模型，实现端到端自动驾驶中的场景推理、视频生成和轨迹规划，提升复杂场景下的性能和泛化能力。
Comments Project Page: https://seed-uniugp.github.io/
PlayerOne: Egocentric World Simulator
PlayerOne：第一人称真实世界模拟器
机构 * HKU（香港大学） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； Hupan Lab（华盘实验室） ； HUST（华中科技大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 PlayerOne通过第一人称真实世界模拟器实现了沉浸式探索，通过粗到细的训练流程和部分解耦运动注入方案，实现了对人类运动的精确控制和多样化场景的一致建模。
Comments Project page: https://playerone-hku.github.io/
Self-Evolving 3D Scene Generation from a Single Image
从单张图像自演化生成3D场景
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 EvoScene通过自演化框架从单张图像生成高质量3D场景，结合几何推理和视觉知识，实现结构和外观的逐步优化。
VideoVLA: Video Generators Can Be Generalizable Robot Manipulators
VideoVLA: 视频生成器可以成为通用的机器人操作器
机构 * IAIR, Xi’an Jiaotong University（人工智能研究院、西安交通大学） ； Microsoft Research Asia（微软亚洲研究院） ； Fudan University（复旦大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 VideoVLA通过将视频生成模型转化为机器人VLA操作器，实现了动作与视觉后果的双预测，提升机器人操作的泛化能力。
Comments Project page: https://videovla-nips2025.github.io
Journal ref The Thirty-ninth Annual Conference on Neural Information Processing Systems(NeurIPS2025)
RunawayEvil: Jailbreaking the Image-to-Video Generative Models
RunawayEvil: 对图像到视频生成模型的劫持
机构 * PRLab, Nanjing University（南京大学PRLab） ； Meituan（美团） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 RunawayEvil是一种针对图像到视频生成模型的多模态劫持框架，通过自我进化机制实现动态攻击策略，显著提升攻击成功率。
DreamFoley: Scalable VLMs for High-Fidelity Video-to-Audio Generation
DreamFoley: 用于高保真视频到音频生成的可扩展视觉-语言模型
机构 * Bytedance Intelligent Creation Lab（字节跳动智能创作实验室） ； Zhejiang University（浙江大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.MM
AI总结 DreamFoley通过结合视觉-语言模型，提出了一种可扩展的视频到音频生成方法，实现了高保真音频生成并优化了训练效率与质量的平衡。
Comments 10 pages; Bytedance
Video Models Start to Solve Chess, Maze, Sudoku, Mental Rotation, and Raven' Matrices
视频模型开始解决国际象棋、迷宫、数独、心理旋转和雷文矩阵任务
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 视频模型通过强化学习提升推理能力，在多项任务上达到60%的成功率。
Comments See $\href{https://grow-ai-like-a-child.com/video-reason/}{results}$ and $\href{https://github.com/hokindeng/VMEvalKit}{code}$
Martian World Model: Controllable Video Synthesis with Physically Accurate 3D Reconstructions
火星世界模型：可控视频合成与物理准确的3D重建
机构 * BJTU（北京工业大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； HKUST（香港科技大学） ； Stanford University（斯坦福大学） ； XMU（厦门大学） ； SBU（雪城大学） ； USC（南加州大学） ； NVIDIA（英伟达）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出M3arsSynth和MarsGen，通过物理准确的3D重建生成逼真的火星视频，提升任务模拟与机器人训练的可视化效果。
Comments Project Page: https://marsgenai.github.io
DeRA: Decoupled Representation Alignment for Video Tokenization
DeRA: 解耦表示对齐用于视频标记化
机构 * Xi’an Jiaotong University（西安交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 DeRA通过解耦时空表示学习，提升视频标记化效率和性能，并在视频生成任务中取得新突破。
VRWKV-Editor: Reducing quadratic complexity in transformer-based video editing
VRWKV-Editor: 降低基于变换器的视频编辑中的二次复杂度
机构 * International Artificial Intelligence Center of Morocco University Mohammed VI Polytechnic Rabat, Morocco（摩洛哥国际人工智能中心摩洛哥穆莱·伊沙克·穆莱·阿卜杜勒阿齐兹 polytechnic 大学拉巴特分校） ； University Mohammed VI Polytechnic Rabat, Morocco（摩洛哥穆莱·伊沙克·穆莱·阿卜杜勒阿齐兹 polytechnic 大学拉巴特分校） ； Sorbonne University, LIP6 - UMR 7606 CNRS, France（索邦大学，LIP6 - UMR 7606 CNRS，法国）
专题命中 视频生成 ：long video(abstract)；分类 cs.CV
AI总结 VRWKV-Editor通过引入线性时空聚合模块，降低基于变换器的视频编辑模型的计算复杂度，实现3.7倍加速和60%内存节省，同时保持高质量的帧一致性和文本对齐。
In-Context Sync-LoRA for Portrait Video Editing
上下文同步LoRA用于肖像视频编辑
机构 * Tel Aviv University（特拉维夫大学） ； Simon Fraser University（Simon Fraser大学）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 Sync-LoRA通过上下文LoRA实现肖像视频编辑，保持帧同步和身份一致性，支持多样化的修改如外观变化和物体添加。
Comments Project page: https://sagipolaczek.github.io/Sync-LoRA/
Fast Multi-view Consistent 3D Editing with Video Priors
快速多视角一致3D编辑与视频先验
机构 * The Hong Kong Polytechnic University（香港理工大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出ViP3DE方法，利用视频生成模型的时间一致性先验，实现多视角一致的3D编辑，提升编辑质量和速度。
Comments accepted by AAAI2026
Seeing the Wind from a Falling Leaf
从飘落的树叶中看到风
机构 * University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出一种端到端可微逆图形框架，通过视频恢复不可见的物理力，应用于风场估计和基于物理的视频生成与编辑。
Comments Accepted at NeurIPS 2025
MobileI2V: Fast and High-Resolution Image-to-Video on Mobile Devices
MobileI2V: 一种适用于移动设备的快速高分辨率图像到视频生成方法
机构 * Huazhong University of Science and Technology（华中科技大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 MobileI2V通过轻量级扩散模型和优化策略，在移动设备上实现快速高分辨率图像到视频生成，生成速度提升10倍，质量与现有模型相当。
Comments Our Demo and code:https://github.com/hustvl/MobileI2V
Layer-Aware Video Composition via Split-then-Merge
通过分割后再融合的分层视频合成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google（谷歌）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 StM通过分割未标注视频并融合动态前景与背景层，提升生成视频合成的控制能力和数据效率。
Comments Project Webpage: https://split-then-merge.github.io
Block Cascading: Training Free Acceleration of Block-Causal Video Models
块级级联：无训练加速块因果视频模型
机构 * Stability AI ； SketchX, University of Surrey（SketchX， Surrey大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 块级级联通过无训练并行化技术，显著提升块因果视频模型的推理速度，同时保持生成质量。
Are Image-to-Video Models Good Zero-Shot Image Editors?
图像到视频模型是否是良好的零样本图像编辑器？
机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 IF-Edit通过无需微调的框架，利用预训练图像到视频扩散模型实现指令驱动的图像编辑，解决提示错位、冗余时间潜在特征和模糊后期帧问题，展现强大的推理能力和通用编辑竞争力。
Comments technical report
Multi-modal Generative AI: Multi-modal LLMs, Diffusions, and the Unification
多模态生成式AI：多模态大语言模型、扩散模型与统一
机构 * Department of Computer Science, Beijing Information Science and Technology National Research Center, Tsinghua University（计算机系，北京信息科学与技术国家研究中心，清华大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文综述了多模态生成式AI，涵盖多模态LLMs、扩散模型及统一模型的设计与应用，探讨了统一理解和生成的方法及未来研究方向。
Comments 21 pages, 10 figures, 3 tables
Journal ref IEEE Transactions on Circuits and Systems for Video Technology 2025
MovieDreamer: Hierarchical Generation for Coherent Long Visual Sequence
MovieDreamer：用于生成连贯长视觉序列的分层生成
机构 * Zhejiang University（浙江大学） ； 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 MovieDreamer通过结合自回归模型与扩散渲染，实现长时长视频生成，提升叙事连贯性和视觉质量。
Comments 30 pages, 22 figures
In-Video Instructions: Visual Signals as Generative Control
视频中的指令：将视觉信号作为生成控制
机构 * National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本研究提出通过视频中嵌入的视觉信号作为指令，实现可控的图像到视频生成，通过空间感知的指令分配提升多对象场景下的生成可靠性。
Learning What to Trust: Bayesian Prior-Guided Optimization for Visual Generation
学习信任什么：基于贝叶斯先验引导的视觉生成优化
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出贝叶斯先验引导优化方法，通过建模奖励不确定性提升视觉生成模型的语义对齐和感知保真度。
Learning Primitive Embodied World Models: Towards Scalable Robotic Learning
学习原始具身世界模型：迈向可扩展的机器人学习
机构 * Shanghai AI Lab（上海人工智能实验室） ； Fudan（复旦大学） ； SJTU（上海交通大学） ； NJUST（南京理工大学） ； THU（清华大学） ； Harvard（哈佛大学） ； ZJU（浙江大学） ； NJU（南京大学） ； USTC（中国科学技术大学） ； Tongji（同济大学） ； HKUST (GZ)（香港科技大学（广州））
专题命中 视频生成 ：video generation(abstract)；分类 cs.MM
AI总结 提出原始具身世界模型（PEWM）以解决具身数据稀疏和高维问题，通过短视界视频生成实现细粒度对齐、降低学习复杂度并提高数据效率。
Point-to-Point: Sparse Motion Guidance for Controllable Video Editing
点到点：用于可控视频编辑的稀疏运动引导
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 Point-to-Point通过引入锚点标记，利用视频扩散模型的先验知识，实现可控视频编辑中运动与编辑的高质量保真度。
Generative Augmented Reality: Paradigms, Technologies, and Future Applications
生成增强现实：范式、技术与未来应用
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Nanyang Technological University（南洋理工大学） ； XMax.AI Ltd.（XMax.AI有限公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出生成增强现实（GAR）作为下一代AR范式，通过统一生成模型实现环境再合成，提升真实感与沉浸感，同时引发技术、内容生态及伦理挑战。
SpargeAttention: Accurate and Training-free Sparse Attention Accelerating Any Model Inference
机构 * Dept. of Comp. Sci. and Tech., Institute for AI, BNRist Center, THBI Lab, Tsinghua-Bosch Joint ML Center, Tsinghua University（计算机科学与技术系，人工智能研究所，BNRist中心，THBI实验室，清华-博世联合机器学习中心，清华大学） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（交叉信息学院，清华大学） ； EECS, University of California, Berkeley（电子工程与计算机科学系，加州大学伯克利分校）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments @inproceedings{zhang2025spargeattn, title={Spargeattn: Accurate sparse attention accelerating any model inference}, author={Zhang, Jintao and Xiang, Chendong and Huang, Haofeng and Wei, Jia and Xi, Haocheng and Zhu, Jun and Chen, Jianfei}, booktitle={International Conference on Machine Learning (ICML)}, year={2025} }
Journal ref Proceedings of the 42 nd International Conference on Machine Learning, PMLR 267, 2025 (ICML 2025)
