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。
预测再检索：从视频前缀中进行跨实例未来状态检索
机构 * Centre for AI Research, VinUniversity（VinUniversity人工智能研究中心） ； 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 该研究提出PSR任务，构建含多数据集的基准，提出LFTR模型，发现预测而非感知是核心挑战，LFTR缩小差距且成本低，相关资源已公开。
Comments Work in progress
OmniVR：用于恢复退化历史影片的联合视频-音频条件生成模型
机构 * University of Science and Technology of China（中国科学技术大学） ； JD Explore Academy（京东探索研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 提出首个联合音视频生成修复模型OmniVR，通过三项关键设计解决历史影片的音视频共同退化问题，在多类指标上超越现有方法，还发布了相关基准OmniVRBench
CrossScope：用于联合双视野手术视频预测的角色非对称世界模型
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 针对母子ERCP中双柔性镜无校准立体关系的手术视频预测问题，提出角色非对称的CrossScope双流模型，经配对双视野基准评估，其性能优于现有基线。
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)
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