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。
FreqForcing：基于频谱自锚定的自回归长视频生成方法
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 本文针对自回归长视频生成中的误差累积问题，提出无需训练的FreqForcing框架，通过频谱自锚定技术实现24倍外推，性能优于现有无训练方法且与有训练方法有竞争力。
Comments Code is available at: https://github.com/jiatongli2024/FreqForcing
DySink：动态帧 sinks 用于自回归长视频生成
机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Lab. of Computer Network and Information Integration, Southeast University（东南大学计算机网络与信息集成重点实验室） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； Institute of Automation, CAS（中国科学院自动化研究所）
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 DySink，一种基于检索的框架，通过维护紧凑的记忆银行并选择视觉相关的历史帧作为动态帧 sinks，以提高自回归长视频生成的动态性和时间质量。
M4V：用于高效文本到视频生成的多模态曼巴
机构 * Meituan（美团） ； University of Technology Sydney（技术大学悉尼分校） ； Beijing Jiaotong University（北京交通大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV
AI总结 研究针对文本到视频生成计算量大的问题，引入多模态曼巴框架M4V。设计MM-DiM块，采用多模态令牌重新组合设计，增强时空一致性。实验表明，该框架能在降计算成本的同时生成高质量视频。
Comments CVPR 2026
BIFE：更好的交互，更少的错误，用于分钟级视频生成
机构 * DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院） ； Zhejiang University（浙江大学） ； Hupan Lab（虎扑实验室）
专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 提出BIFE框架，通过语义稀疏KV缓存和块强制训练策略，解决长视频生成中的长程交互保持和误差累积问题，实现稳定连贯的分钟级视频生成，在VDE指标上提升约20%。
MAVEN：面向多元文化文本到视频生成的多智能体框架
机构 * Santa Clara University（圣克拉拉大学）
专题命中 视频生成 ：text-to-video(title,abstract)；video generation(title)；分类 cs.CV
AI总结 提出MAVEN多智能体提示优化框架，通过并行或串行分解提示为人物、动作、地点维度，提升单文化和跨文化文本到视频生成的文化保真度，并构建包含243个文化提示和972个视频的基准进行评估。
Comments [14] pages, [6] figures, [11] tables, appendix included. Preprint
你的数据流形实际上是一个奖励模型：Shell-LCC 用于文本到视频生成
机构 * Huawei Central Research Institute（华为中央研究院） ； Guangdong University of Technology（广东技术大学）
专题命中 视频生成 ：text-to-video(title,abstract)；video generation(title)；分类 cs.CV
AI总结 提出 Shell-LCC 方法，通过建模高质量 SFT 数据的流形结构，提供密集、可微且几乎零成本的奖励信号，以提升文本到视频生成质量，减少低层失真。
Comments ECCV 2026
PhyGDPO: 物理感知的分组直接偏好优化以实现物理一致的文本到视频生成
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； Meta BizAI（Meta商业人工智能）
专题命中 视频生成 ：text-to-video(title,abstract)；video generation(title)；分类 cs.CV
AI总结 提出PhyAugPipe构建大规模物理增强数据集PhyVidGen-135K，并设计PhyGDPO框架，利用分组Plackett-Luce模型和物理引导奖励机制，实现物理一致的文本到视频生成。
Comments ECCV 2026
用于快速视频生成的过渡匹配蒸馏
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 研究针对大型视频模型多步采样低效问题，提出过渡匹配蒸馏框架TMD，将扩散模型多步去噪轨迹与少步概率过渡过程匹配，分解扩散主干为组件，经实验验证TMD在速度和质量权衡上表现出色，优于现有蒸馏模型。
Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 4645-4655
GroundShot: 通过实体锚定镜头调度实现视觉一致的多镜头长视频生成
机构 * Fudan University（复旦大学） ； Baidu（百度）
专题命中 视频生成 ：video generation(title)；long video(title)；分类 cs.CV
AI总结 提出GroundShot框架，通过在线构建实体级视觉记忆并调度镜头生成顺序，无需训练即可提升多镜头视频中实体的一致性。
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
VideoCoCo：基于智能体双引擎系统的、以代码为思维链（CoT）的物理一致性视频生成方法
机构 * CUHK（香港中文大学） ； USTC（中国科学技术大学） ； SCUT（华南理工大学） ； HKU（香港大学） ； NTU（南洋理工大学） ； PKU（北京大学） ； SJTU（上海交通大学） ； CMU（卡内基梅隆大学） ； THU（清华大学） ； HUST（华中科技大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 VideoCoCo作为智能体双引擎框架，以可执行Blender代码为过程级思维链，构建专属数据集提升视频编辑器适配性，在两个基准上显著优于基线，实现了高质量物理一致性视频生成。
Comments 15 pages, 3 figures, and 3 tables
MMPhysVideo: 通过联合多模态建模提升视频生成的物理合理性
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； StepFun（阶跃星辰） ； Beijing Key Laboratory of Super Intelligent Security of Multi-Modal Information（多模态信息超级智能安全北京市重点实验室） ； School of Information Science and Technology, Shanghai Tech University（上海科技大学信息科学与技术学院）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 MMPhysVideo通过联合多模态建模提升视频生成的物理合理性，将感知线索统一为伪RGB格式，提出双向控制教师架构以减少跨模态干扰，并通过MMPhysPipe构建物理丰富的多模态数据集，提升物理合理性和视觉质量。
Comments Project Page: https://shubolin028.github.io/MMPhysVideo-Page
GimbalDiffusion：基于重力的摄像机控制用于视频生成
机构 * Université Laval（拉瓦尔大学） ； Adobe
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出GimbalDiffusion框架，通过物理坐标系实现摄像机运动的精确控制，引入null-pitch conditioning策略以避免冲突提示内容干扰，并建立新基准评估重力感知摄像机控制视频生成能力。
Comments Accepted at ECCV 2026. Project page: https://lvsn.github.io/GimbalDiffusion/
AgentHOI：通过隐式表示对齐进行人类-物体交互视频生成的多智能体推理
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent HunYuan（腾讯混元）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究针对HOI视频生成中现有方法依赖显式运动控制的问题，提出AgentHOI，通过多智能体推理和隐式文本-运动对齐策略，实现文本驱动的HOI视频生成，提升了交互自然性等，改进了复杂场景下的表现。
Comments Under review. The code is available at https://github.com/bone-11/agenthoi
FilmBench：用于电影视频生成的电影级基准测试
机构 * Alibaba Group（阿里巴巴集团） ； Moku Lab, Hujing Digital Media & Entertainment Group（魔氪实验室，虎鲸数字媒体与娱乐集团） ； Beijing Film Academy（北京电影学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 FilmBench是基于电影学院传统专业电影语言开发的文本到视频和参考到视频基准测试。它从获奖影片反向设计提示，依电影分类法评估，开发自动评估代理并开源核心套件，能再现人类模型排名，指出当前模型在动态美学等方面不足。
WorldWander：在视频生成中连接自我中心和外中心世界
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究聚焦视频生成中自我中心与外中心世界转换，提出WorldWander框架，基于视频扩散变换器，整合上下文视角对齐与协作位置编码，精心策划数据集，实验证明该框架在视角同步、角色一致性和泛化能力上表现卓越，设定了新基准。
Comments Accepted by ECCV 2026; Code: https://github.com/showlab/WorldWander
VGGRPO：迈向世界一致的视频生成的4D潜在奖励
机构 * Google（谷歌） ； University of Oxford（牛津大学） ； CREST-ENSAE, Institut Polytechnique de Paris（巴黎综合理工学院CREST-ENSAE） ； University of Copenhagen（哥本哈根大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 VGGRPO通过引入4D潜在几何模型和组相对策略优化，提升视频生成的几何一致性与稳定性，避免VAE解码的高计算开销。
Comments Accepted at ECCV 2026. Project Page: https://zhaochongan.github.io/projects/VGGRPO
SVG-EAR：通过误差感知路由实现稀疏视频生成的无参数线性补偿
机构 * UC Berkeley（加州大学伯克利分校）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究视频生成中扩散变换器二次注意力成本瓶颈问题，提出SVG-EAR，利用语义聚类后块内键值相似性，通过质心近似跳过块，用误差感知路由计算需精确补偿块，提升质量效率权衡并提高吞吐量。
事件驱动视频生成
机构 * William & Mary（威廉与玛丽学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出事件驱动视频生成（EVD），通过轻量级头部预测令牌级事件活动，并利用事件门控采样在交互区域集中更新，以修正对象交互错误，提升状态持久性、空间准确性和接触稳定性。
Comments Accepted to ECCV 2026. Project webpage: https://evd-project-website.pages.dev
VLMs 是视频推理的好老师：通过自适应测试时优化
机构 * City University of Hong Kong（香港城市大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 视频生成 ：video reasoning(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 提出将视觉语言模型（VLM）作为“教师”，通过提取任务规则并设计可微分奖励，指导视频生成模型（VGM）在测试时在线优化轻量级 LoRA 模块，从而提升视频推理的泛化能力。
Comments Project Page: https://VLM-as-Teacher.github.io/
PISCES: 基于最优传输对齐奖励的无标注文本到视频后训练
机构 * Microsoft（微软） ； Stony Brook University（石溪大学）
专题命中 视频生成 ：text-to-video(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 提出PISCES算法，通过双重最优传输对齐奖励模块，无需人工标注即可提升文本生成视频的质量和语义对齐，在VBench上超越现有方法。
Comments Accepted to ICML 2026. Project page and code: https://roar-ai.github.io/pisces/
极线几何改进视频生成模型
机构 * University of Oxford（牛津大学） ； Google Research（谷歌研究院） ； CREST-ENSAE, Institut Polytechnique de Paris（巴黎理工学院CREST-ENSAE研究中心） ； Technical University of Munich（慕尼黑技术大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 针对视频生成模型几何不一致和运动伪影问题，提出基于极线几何约束的偏好优化方法，在保持视觉质量的同时将极线误差降低31%，人类评分一致性从54%提升至72%。
KGEdit: 面向无训练精确视频生成与编辑的歧义感知知识图谱
机构 * Waseda University, Japan（日本早稻田大学） ； College of Computer Engineering, Jimei University（集美大学计算机工程学院） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出KGEdit框架，通过构建歧义感知知识图谱和结构化语义注入模块，解决文本到视频扩散模型中的语义歧义、概念绑定错误和跨帧不一致问题，实现无需额外训练的精确视频生成与编辑。
PEDRA: 评估视频生成中行人动态的真实性
机构 * Duke University（杜克大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出PEDRA评估协议，通过重建鸟瞰轨迹等方法，测试文本/图像到视频模型生成多行人交互场景的真实性，发现现有模型虽具备先验但存在行人合并消失等物理不一致问题。
Comments Accepted to CVPR 2026
保持一致性的多样化视频生成
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出一种联合采样框架，在保持时间一致性的同时提高文本到视频生成中批次内视频的多样性，通过轻量级潜在空间模型避免视频解码和反向传播。
Delta Forcing：交互式自回归视频生成中的信任区域引导
机构 * Texas A\&M University（德克萨斯A&M大学） ； University of Washington（华盛顿大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV、cs.MM
AI总结 本文提出Delta Forcing方法，通过约束不可靠的教师监督在适应性信任区域中，以提高自回归视频生成的一致性并保持对新事件的响应性。
Comments preprint
Talker-T2AV：基于自回归扩散模型的联合说话音频视频生成
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； Independent Researcher（独立研究者）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV、cs.MM
AI总结 本文提出Talker-T2AV，通过共享骨干和模态特定解码器实现音频视频联合生成，提升跨模态一致性与生成效率。
视频生成模型作为世界模型：高效的范式、架构和算法
机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； Hong Kong Generative AI Research and Development Center（香港生成式人工智能研究与开发中心）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV、eess.IV
AI总结 本文系统回顾了考虑效率的世界模拟视频生成框架，提出三维分类方法，展示提升效率对自动驾驶等应用的重要性，并指出高效视频生成向通用世界模拟器演进的关键性。
Salt：基于缓存感知训练的自一致分布匹配用于快速视频生成
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Vivix Group Limited（Vivix集团有限公司）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV、eess.IV
AI总结 本文提出Salt方法，通过自一致分布匹配和缓存感知训练，提升低推理预算下的视频生成质量，兼容多种KV缓存机制。
Comments Accepted by ECCV 2026
摩尔视频认证：一种对抗AI视频生成的物理签名
机构 * Boston University（波士顿大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV、cs.MM
AI总结 本文提出基于物理现象的视频认证方法，利用摩尔效应产生独特的视觉特征，通过分析视频中摩尔条纹的相位和位移关系，区分真实与AI生成视频。
Comments Accepted to ECCV 2026. Project page and code: https://yuanqing-ai.github.io/physical_video_signature/
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