视频大模型

Pyramid Forcing: Head-Aware Pyramid KV Cache Policy for High-Quality Long Video Generation

金字塔强制：面向高质量长视频生成的头部感知金字塔KV缓存策略

Jiayu Chen, Junbei Tang, Wenbiao Zhao, Maoliang Li, Jiayi Luo, Zihao Zheng, Jiawei Yang, Guojie Luo, Xiang Chen

机构 * Peking University（北京大学） ； South China University of Technology（华南理工大学） ； Xinjiang University（新疆大学） ； Beihang University（北京航空航天大学） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV

AI总结 本文提出Pyramid Forcing，通过识别不同头部类型并分配特定缓存策略，提升长视频生成质量，实验显示在VBench-Long上Self Forcing得分提升。

SWIFT: Prompt-Adaptive Memory for Efficient Interactive Long Video Generation

SWIFT: 用于高效交互长视频生成的提示自适应内存

Shanwen Tan, Hao Li, Jingtao Zhang, Xiaosong Jia, Xue Yang, Shaofeng Zhang, Yanyong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title)；video diffusion(abstract)；分类 cs.CV

AI总结 SWIFT提出一种无需训练的多提示长视频生成框架，通过轻量级语义注入缓存和自适应动态窗口实现高效语义切换，保持时间一致性，达到22.6 FPS的高效生成速度。

Comments Code is available at https://github.com/ShanwenTan/SWIFT

CollabVR: Collaborative Video Reasoning with Vision-Language and Video Generation Models

CollabVR: 基于视觉-语言和视频生成模型的协作视频推理

Joowon Kim, Seungho Shin, Joonhyung Park, Eunho Yang

机构 * KAIST（韩国科学技术院） ； Kyung Hee University（庆熙大学） ； AITRICS 纠错

专题命中 视频生成 ：video generation(title,abstract)；video reasoning(title,abstract)；分类 cs.CV

AI总结 CollabVR通过结合视觉-语言模型与视频生成模型，在步骤级实现协作视频推理，提升多步任务性能，并在基准测试中优于现有方法。

OSCBench: Benchmarking Object State Change in Text-to-Video Generation

OSCBench：文本到视频生成中对象状态变化的基准测试

Xianjing Han, Bin Zhu, Shiqi Hu, Franklin Mingzhe Li, Patrick Carrington, Roger Zimmermann, Jingjing Chen

机构 * National University of Singapore（新加坡国立大学） ； Singapore Management University（新加坡管理大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Fudan University（复旦大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

AI总结 本文提出OSCBench基准，用于评估文本到视频模型在对象状态变化上的性能，揭示当前模型在处理新场景时的不足。

Comments ACL 2026 Main Conference, Project page: https://hanxjing.github.io/OSCBench

Less is More: Data-Efficient Adaptation for Controllable Text-to-Video Generation

少即是多：可控文本到视频生成的数据高效适应

Shihan Cheng, Nilesh Kulkarni, David Hyde, Dmitriy Smirnov

机构 * Vanderbilt University, USA（美国范德堡大学） ； Netflix, USA（美国Netflix） 纠错

专题命中 视频生成 ：text-to-video(title,abstract)；video generation(title)；video diffusion(abstract)；分类 cs.CV

AI总结 本文提出一种数据高效微调策略，通过稀疏低质量合成数据学习物理摄像参数控制，证明其优于真实数据微调结果。

We'll Fix it in Post: Improving Text-to-Video Generation with Neuro-Symbolic Feedback

事后修复：通过神经符号反馈改进文本到视频生成

Minkyu Choi, S P Sharan, Harsh Goel, Sahil Shah, Sandeep Chinchali

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

AI总结 本文提出NeuS-E框架，通过神经符号反馈提升文本到视频生成的语义和时间一致性，实验显示其在多种提示下提升了40%的对齐度。

NewtonGen: Physics-Consistent and Controllable Text-to-Video Generation via Neural Newtonian Dynamics

NewtonGen: 通过神经牛顿动力学实现物理一致且可控的文本到视频生成

Yu Yuan, Xijun Wang, Tharindu Wickremasinghe, Zeeshan Nadir, Bole Ma, Stanley H. Chan

机构 * Purdue University（普渡大学） ； Samsung Research America（三星美国研究院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

AI总结 本文提出NewtonGen框架，结合数据驱动合成与可学习物理原理，通过可训练的神经牛顿动力学模型实现物理一致的视频生成，并提供精确的参数控制。

Comments Accepted by ICLR 2026. Camera-ready version. Project Page: https://yuyuanspace.com/NewtonGen/

Retrieval, Refinement, and Ranking for Text-to-Video Generation via Prompt Optimization and Test-Time Scaling

通过提示优化和测试时扩展实现文本到视频生成的检索、细化与排序

Zillur Rahman, Alex Sheng, Cristian Meo

机构 * Algoverse AI 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

AI总结 本文提出3R框架，通过提示优化和测试时扩展提升文本到视频生成的准确性与效率。

Comments 2026 ICLR TTU Workshop

ContextAnyone: Context-Aware Diffusion for Character-Consistent Text-to-Video Generation

ContextAnyone: 基于上下文的扩散模型用于一致的文本到视频生成

Ziyang Mai, Yu-Wing Tai

机构 * Dartmouth College（达特茅斯学院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

AI总结 ContextAnyone通过上下文感知扩散模型实现从文本和参考图像生成一致的角色视频，结合双引导损失和Gap-RoPE位置嵌入提升视觉质量和身份一致性。

TempoMaster: Efficient Long Video Generation via Next-Frame-Rate Prediction

TempoMaster: 通过下一帧速率预测实现高效的长视频生成

Yukuo Ma, Cong Liu, Junke Wang, Junqi Liu, Haibin Huang, Zuxuan Wu, Chi Zhang, Xuelong Li

机构 * Fudan University（复旦大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究所（TeleAI），中国电信） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV

AI总结 TempoMaster通过下一帧速率预测实现高效长视频生成，结合双向注意力和自回归机制，提升视觉和时间质量。

Comments for more information, see https://scottykma.github.io/tempomaster-gitpage/

CtrlVDiff: Controllable Video Generation via Unified Multimodal Video Diffusion

通过统一多模态视频扩散实现可控视频生成

Dianbing Xi, Jiepeng Wang, Yuanzhi Liang, Xi Qiu, Jialun Liu, Hao Pan, Yuchi Huo, Rui Wang, Haibin Huang, Chi Zhang, Xuelong Li

机构 * State Key Laboratory of CAD&CG（计算机辅助设计与图形学国家重点实验室） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院） ； Tsinghua University（清华大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；video diffusion(title)；video understanding(abstract)；分类 cs.CV

AI总结 CtrlVDiff通过统一多模态视频扩散模型，实现可控视频生成，支持多模态输入并提升生成的可控性和保真度。

Comments 27 pages, 18 figures, 9 tables. Project page: https://tele-ai.github.io/CtrlVDiff/

VC4VG: Optimizing Video Captions for Text-to-Video Generation

Yang Du, Zhuoran Lin, Kaiqiang Song, Biao Wang, Zhicheng Zheng, Tiezheng Ge, Bo Zheng, Qin Jin

机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

Comments Accepted by EMNLP 2025

CoMo: Compositional Motion Customization for Text-to-Video Generation

Youcan Xu, Zhen Wang, Jiaxin Shi, Kexin Li, Feifei Shao, Jun Xiao, Yi Yang, Jun Yu, Long Chen

机构 * Zhejiang University（浙江大学） ； HKUST（香港科技大学） ； Xmax.AI Ltd（Xmax人工智能有限公司） ； HIT (SZ)（哈尔滨工业大学（深圳）） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

MoGA: Mixture-of-Groups Attention for End-to-End Long Video Generation

Weinan Jia, Yuning Lu, Mengqi Huang, Hualiang Wang, Binyuan Huang, Nan Chen, Mu Liu, Jidong Jiang, Zhendong Mao

机构 * University of Science and Technology of China（科学技术大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Wuhan University（武汉大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV

Comments 15 pages, 12 figures

Macro-from-Micro Planning for High-Quality and Parallelized Autoregressive Long Video Generation

Xunzhi Xiang, Yabo Chen, Guiyu Zhang, Zhongyu Wang, Zhe Gao, Quanming Xiang, Gonghu Shang, Junqi Liu, Haibin Huang, Yang Gao, Chi Zhang, Qi Fan, Xuelong Li

机构 * Nanjing University（南京大学） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV

Foresight: Adaptive Layer Reuse for Accelerated and High-Quality Text-to-Video Generation

Muhammad Adnan, Nithesh Kurella, Akhil Arunkumar, Prashant J. Nair

机构 * The University of British Columbia（不列颠哥伦比亚大学） ； d-Matrix 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS), 2025

VidCLearn: A Continual Learning Approach for Text-to-Video Generation

Luca Zanchetta, Lorenzo Papa, Luca Maiano, Irene Amerini

机构 * Sapienza University of Rome, Italy（罗马大学萨皮恩扎） ； ESA philab（欧洲航天局实验室） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

VPO: Aligning Text-to-Video Generation Models with Prompt Optimization

Jiale Cheng, Ruiliang Lyu, Xiaotao Gu, Xiao Liu, Jiazheng Xu, Yida Lu, Jiayan Teng, Zhuoyi Yang, Yuxiao Dong, Jie Tang, Hongning Wang, Minlie Huang

机构 * The Conversational Artificial Intelligence (CoAI) Group, Tsinghua University（清华大学对话人工智能（CoAI）小组） ； Zhipu AI（智谱AI） ； The Knowledge Engineering Group (KEG), Tsinghua University（清华大学知识工程小组（KEG）） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

Comments ICCV 2025

MoCA: Identity-Preserving Text-to-Video Generation via Mixture of Cross Attention

Qi Xie, Yongjia Ma, Donglin Di, Xuehao Gao, Xun Yang

机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto（利汽车） ； Northwestern Polytechnical University（西北工业大学） 纠错

专题命中 视频生成 ：text-to-video(title,abstract)；video generation(title)；video diffusion(abstract)；分类 cs.CV

Video Is Worth a Thousand Images: Exploring the Latest Trends in Long Video Generation

Faraz Waseem, Muhammad Shahzad

机构 * University Of Reading（阅读大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV

Comments 35 pages, 18 figures, Manuscript submitted to ACM

LoViC: Efficient Long Video Generation with Context Compression

Jiaxiu Jiang, Wenbo Li, Jingjing Ren, Yuping Qiu, Yong Guo, Xiaogang Xu, Han Wu, Wangmeng Zuo

专题命中 视频生成 ：video generation(title,abstract)；long video(title)；text-to-video(abstract)；分类 cs.CV

Comments Project page: https://jiangjiaxiu.github.io/lovic/

FreeLong++: Training-Free Long Video Generation via Multi-band SpectralFusion

Yu Lu, Yi Yang

机构 * ReLER, CCAI, Zhejiang University（ReLER、CCAI、浙江大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV

Comments under review

T2VPhysBench: A First-Principles Benchmark for Physical Consistency in Text-to-Video Generation

Xuyang Guo, Jiayan Huo, Zhenmei Shi, Zhao Song, Jiahao Zhang, Jiale Zhao

机构 * Guilin University of Electronic Technology（桂林电子科技大学） ； University of Arizona（亚利桑那大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The Simons Institute for the Theory of Computing at the UC, Berkeley（伯克利大学计算机理论学院Simon研究所） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

DyST-XL: Dynamic Layout Planning and Content Control for Compositional Text-to-Video Generation

Weijie He, Mushui Liu, Yunlong Yu, Zhao Wang, Chao Wu

机构 * Zhejiang University（浙江大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

Comments 9 pages, 6 figures

VideoDreamer: Customized Multi-Subject Text-to-Video Generation with Disen-Mix Finetuning on Language-Video Foundation Models

Hong Chen, Xin Wang, Guanning Zeng, Yipeng Zhang, Yuwei Zhou, Feilin Han, Yaofei Wu, Wenwu Zhu

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

EIDT-V: Exploiting Intersections in Diffusion Trajectories for Model-Agnostic, Zero-Shot, Training-Free Text-to-Video Generation

Diljeet Jagpal, Xi Chen, Vinay P. Namboodiri

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

Comments Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2025

PhyT2V: LLM-Guided Iterative Self-Refinement for Physics-Grounded Text-to-Video Generation

Qiyao Xue, Xiangyu Yin, Boyuan Yang, Wei Gao

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

Comments 28 pages

Journal ref in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025

HiTVideo: Hierarchical Tokenizers for Enhancing Text-to-Video Generation with Autoregressive Large Language Models

Ziqin Zhou, Yifan Yang, Yuqing Yang, Tianyu He, Houwen Peng, Kai Qiu, Qi Dai, Lili Qiu, Chong Luo, Lingqiao Liu

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV

CameraCtrl: Enabling Camera Control for Text-to-Video Generation

Hao He, Yinghao Xu, Yuwei Guo, Gordon Wetzstein, Bo Dai, Hongsheng Li, Ceyuan Yang

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title)；video diffusion(abstract)；分类 cs.CV

Comments Project page: https://hehao13.github.io/projects-CameraCtrl/ Code: https://github.com/hehao13/CameraCtrl

MaskFlow: Discrete Flows For Flexible and Efficient Long Video Generation

Michael Fuest, Vincent Tao Hu, Björn Ommer

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV

Comments Project page: https://compvis.github.io/maskflow/