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。
PRISM: 基于几何扭曲残差建模的前馈式单图像三维重建
机构 * University of California, Davis（加州大学戴维斯分校）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出PRISM前馈框架，将多视角潜在预测分解为无参数几何先验和可学习残差校正，无需扩散采样，推理时间仅36秒/场景，重建质量与扩散方法相当。
FLAT: 前馈潜在三角形泼溅用于几何精确的场景生成
机构 * Google Research（谷歌研究院） ； University of Oxford, Visual Geometry Group（牛津大学视觉几何组） ； TU Munich（慕尼黑工业大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出FLAT方法，首次从视频扩散潜在表示中直接解码三角形泼溅，通过射线中心旋转参数化和乘积窗口函数解决梯度流问题，在保持视觉质量的同时显著提升几何精度。
SteerVTE: 具有风格和字形控制的无缝视频文本编辑
机构 * Peking University（北京大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出SteerVTE框架，通过风格编码器和双粒度字形编码器控制冻结视频扩散模型，结合字形感知空间焦点损失和三阶段渐进训练，实现精确、连贯的视频文本编辑。
两步物理：在视觉细化之前锁定运动先验会擦除它们
机构 * National Institute of Standards and Technology（国家标准与技术研究院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文发现图像到视频扩散模型在两步生成中比多步生成具有更好的物理一致性，通过频谱分析将原因归结为去噪过程中的相位侵蚀，并提出无需训练的PhaseLock框架，通过从两步推理中提取运动先验并利用潜在增量引导强制到高保真生成中，有效缓解相位退化，提升物理一致性平均6.2点，同时保持视觉保真度且开销极小。
Comments ICML 2026
iTryOn: 通过空间-语义引导掌握交互式视频虚拟试穿
机构 * Shenzhen Campus of Sun Yat-sen University ； Taobao \& Tmall Group of Alibaba
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出iTryOn框架，通过空间-语义引导解决交互式视频虚拟试穿中的语义模糊和复杂服装变形问题，实现了更动态可控的虚拟试穿体验。
Comments Project Page: https://zhengjun-ai.github.io/itryon-page. Accepted by ICML 2026
SierpinskiCam: 基于谢尔宾斯基三角形图案线索的相机控制视频重拍
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； VISTEC, Thailand（泰国威斯泰克科学技术研究院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出SierpinskiCam方法，通过谢尔宾斯基圆顶纹理线索增强几何引导，并引入参考视频条件机制，解决单目视频重拍中相机大角度偏离时的稀疏区域问题，提升相机可控性、几何一致性和视频质量。
Comments 20 pages, 13 figures
ReGenHuman: 重新生成人体外观以实现逼真的全身视频匿名化
机构 * Stanford University（斯坦福大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出ReGenHuman，首个同时实现逼真、时间一致且天生匿名的全身视频匿名化流水线，采用“重新生成而非编辑”范式，利用结构条件微调视频扩散模型合成人体区域。
MPMWorlds: 用于推断和外推物理动力学的物质点法模拟
机构 * Cornell University（康奈尔大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 通过构建2D物质点法（MPM）模拟数据集，研究从视频推断物理动力学并外推时间演化的能力，比较代码生成与视频扩散方法的优劣。
Comments 16 pages, 13 figures. Project page: https://zzigak.github.io/mpmworlds/
Lip Forcing: 用于实时唇部同步的少步自回归扩散
机构 * KAIST AI（韩国科学技术院人工智能） ； AIPARK
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出Lip Forcing，首个用于视频到视频唇部同步的自回归扩散方法，通过蒸馏14B教师模型为因果学生模型，仅需两步去噪即可实现实时同步，并引入同步窗口DMD、两步推理计划和SyncNet奖励。
Comments Project Page: https://cvlab-kaist.github.io/LipForcing/
EgoTactile: 从自我中心视频学习日常物体的抓取压力
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出EgoTactile基准和条件扩散框架EgoPressureDiff，从自我中心视频估计全手抓取压力，解决视觉-物理歧义，实现鲁棒迁移。
Comments Accepted to ICML2026 spotlight
CP4D: 组合式物理感知4D场景生成
机构 * School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； Zhongguancun Academy（中关村学院） ； the State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； Eastern Institute of Technology（东部技术研究所） ； Tsinghua University（清华大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出CP4D范式，通过静态环境与物理动态对象组合，结合物理模拟器与视频扩散模型生成轨迹，实现高保真、物理一致的4D场景。
Pixel Cube: 基于扩散的肖像视频重光照通过真实感光照再现
机构 * George Mason University（乔治·马歇尔大学） ； LightThought LLC ； Columbia University（哥伦比亚大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出一种基于扩散的方法，利用混合训练数据集和HDR环境图控制，实现动态肖像视频的真实感重光照，保持时间一致性和身份特征。
Comments ACM SIGGRAPH 2026 Journal Track / ACM Transactions on Graphics, 17 pages. Project page: https://yufanzhang82.github.io/PixelCube/
Journal ref ACM Trans. Graph. 45, 4, Article 119 (July 2026), 17 pages
RoboDream: 用于可扩展机器人数据合成的组合世界模型
机构 * USC Physical Superintelligence (PSI) Lab（USC物理超智能实验室） ； Toyota Research Institute（丰田研究院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出一种以具身为中心的组合世界模型，通过将轨迹执行与环境合成解耦，实现从新视角、新场景和新物体中合成逼真演示数据，并展示其在数据扩展和减少真实数据需求方面的有效性。
Comments Project page: https://junjieye.com/RoboDream/
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。
SKIP: 用于高效具身世界模型的稀疏关键帧插值范式
机构 * UCAS（中国科学院自动化研究所） ； CASIA（中国科学院自动化研究所） ； NJU（南京大学） ； GigaAI ； THU（清华大学） ； FiveAges
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出稀疏关键帧插值范式(SKIP)，通过识别任务相关关键帧并仅生成这些帧，再基于机器人动作插值缺失帧，实现高效视频生成，在LIBERO上速度提升4.16倍，FVD降低89%，且生成视频作为训练数据时策略性能下降极小。
Comments 25 pages, 10 figures
稳定速度：流匹配的方差视角
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视频扩散模型 ：text-to-video(abstract)；分类 cs.CV
AI总结 针对流匹配中单样本条件速度导致的高方差训练目标，提出稳定速度框架，通过方差表征识别高低方差区域，并引入无偏方差缩减目标（StableVM）、方差感知表示对齐（VA-REPA）以及免微调加速采样（StableVS），在多个大规模模型上实现训练效率提升和超过2倍采样加速。
Comments ICML 2026
利用紧凑高斯体学习全局运动的前馈式4D重建
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； ETH Zürich, ETH AI Center（苏黎世联邦理工学院，ETH人工智能中心） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出C4G框架，通过紧凑的可学习高斯查询令牌和视频扩散模型增强渲染，实现无需相机位姿的前馈式4D动态场景重建，显著减少高斯数量并提升运动建模鲁棒性。
Comments Project Page: see https://cvlab-kaist.github.io/C4G
Archon：面向整体数字人生成的统一多模态模型
机构 * State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出Archon，一个完全预训练的以人为中心的统一多模态模型，通过模态特定分词器、语义视频重参数化和“模态思维”策略，实现文本、音频、动作和视觉等七种模态的整体数字人生成。
Comments Accepted to CVPR 2026. Project Page: https://zju3dv.github.io/archon/
流式拖拽导向的交互式视频操作：随时拖动任何物体！
机构 * Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Hefei University of Technology（合肥工业大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出REVEL任务和DragStream方法，通过自适应分布自校正和空间频率选择性优化，实现自回归视频扩散模型的流式拖拽交互操作。
SCOPE: 在可玩环境中模拟跨游戏操作以构建FPS世界模型
机构 * UCAS-Terminus AI Lab, University of Chinese Academy of Sciences（中国科学院大学Terminus AI实验室） ； Tencent（腾讯） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Waterloo（多伦多大学） ； Shanghai Jiaotong University（上海交通大学） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出SCOPE方法，通过在每个Transformer块中插入条件模块，将特征重塑为逐像素时间序列，以分离FPS游戏中局部作用域（scope）内的操作效果与全局生成，并引入跨游戏数据集CrossFPS，实现零样本迁移。
Comments Project page: https://z2tong.github.io/SCOPE/. Code is available at https://github.com/z2tong/SCOPE
HarmoVid: 可重光照的视频人像协调
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Adobe Research（Adobe研究）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出一种基于视频扩散模型和光照去闪烁方法，实现前景视频与目标背景场景在阴影、色调和光照强度上的协调，解决视频时域抖动问题。
Comments CVPR 2026
时间步感知的 SVDQuant-GPTQ 用于 Wan2.2-I2V 的 W4A4 量化
机构 * National Engineering Research Center for Big Data Technology and System（大数据技术与系统国家工程研究中心） ； Services Computing Technology and System Lab（服务计算技术与系统实验室） ； Cluster and Grid Computing Lab（集群与网格计算实验室） ； School of Computer Science and Technology（计算机科学与技术学院） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 针对 Wan2.2-I2V 视频扩散 Transformer 的 W4A4 量化，提出结合 SVDQuant 低秩异常补偿、GPTQ 重建感知残差权重量化和时间步分箱逐层激活裁剪比搜索的后训练量化框架，在 OpenS2V-Eval 上降低 59.3% 峰值显存且仅损失 0.9% VBench 平均分。
Full-4D：从单视角视频生成全范围4D场景
机构 * Shanghai Jiao Tong University（上海交通大学） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出一种将单视角视频转换为全范围4D场景的框架，通过多视角视频合成和基于优化的4D重建，引入大规模数据集Real-MV-4D、融合时间-视图注意力的扩散模型和流匹配蒸馏损失，实现高保真度和几何一致性。
SwiftFusion: 面向GPU上扩散Transformer分布式推理的可扩展序列并行
机构 * University of Toronto \&\ Institute ； Amazon ； University of Toronto \& Vector Institute \& NVIDIA
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 针对扩散Transformer推理中序列并行方法的通信和同步瓶颈，提出拓扑感知的StreamFusion引擎，通过Torus Attention和单边通信实现平均1.35倍加速。
SimInsert: 通过区域稀疏注意力融合实现无缝视频对象插入
机构 * State Key Laboratory of Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院，南京大学） ； JIUTIAN Research（JIUTIAN研究机构） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Zhejiang Sci-Tech University（浙江科技学院） ； The University of British Columbia（不列颠哥伦比亚大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出SimInsert，一种无需训练的视频对象插入方法，利用图像到视频扩散模型的先验和区域稀疏注意力融合，实现时空一致和交互真实感，在PSNR、SSIM和LPIPS上分别提升18.8%、20.1%和降低44.1%。
Comments Accepted by ICME2026
InfVSR：迈向一致性驱动的流式生成视频超分辨率
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出InfVSR，通过自回归单步扩散范式与流式推理，实现长视频的高效、一致超分辨率，速度提升达58倍。
Comments Code and model are available at https://github.com/Kai-Liu001/InfVSR
解开转换匹配之谜：何时以及为何它能超越流匹配
机构 * KAIST（韩国科学技术院） ； Amazon Web Services（亚马逊网络服务）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 本文研究了转换匹配（TM）在何时以及为何能超越流匹配（FM），通过证明在单峰高斯分布下TM具有更低的KL散度，并分析了在高斯混合分布中TM在局部单峰区域的优势，以及在目标方差非可忽略时TM的优越性。
Comments Code: https://github.com/amazon-science/TransitionFlowMatching (AISTATS 2026)
ViPS: 为自动绑定网格的视频感知姿态空间
机构 * Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Adobe Research（Adobe研究） ； University of Cambridge（剑桥大学） ； University College London（伦敦大学学院）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出ViPS，一种通过视频扩散模型提取运动先验来发现自动绑定网格有效姿态分布的前馈框架，实现了对多样形状变化、逆向运动学和动画的关键帧生成的支持。
Comments Project page: https://honglin-c.github.io/vips/
保留、揭示、扩展：基于区域感知的4D视频编辑
机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto Inc.（利汽车公司）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出PREX框架，通过区域感知分解目标时空体积，解决4D视频编辑中区域保持、揭示和扩展的问题，提升了视频编辑的准确性和稳定性。
Comments 23 pages, 13 figures
用自回归扩散模型加速视频逆问题求解器
机构 * KAIST（韩国科学技术院） ； EverEx
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出自回归视频逆问题求解器（AVIS），通过自回归扩散模型实现流式视频恢复，显著降低初始延迟并提高吞吐量，同时保持高质量的恢复效果，并进一步提出加速变体AVIS Flash，实现更高的吞吐量和更优的效率-性能权衡，为实时部署铺平道路。
Comments Project page is available here: https://avis-project.github.io/
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