University of Science and Technology of China（中国科学技术大学）

EmbodiedVAE: Disentangled Video VAE for Efficient and Controllable Embodied Manipulation

EmbodiedVAE：用于高效可控具身操作的解耦视频变分自编码器

Jiayi Luo, Hanxin Zhu, Chen Gao, Jiankun Wang, Cong Wang, Tianyu He, Jianxin Li, Zhibo Chen

机构 * Beihang University（北京航空航天大学） ； Zhongguancun Academy（中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； CASIA, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所（CASIA）） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 针对现有潜在扩散模型适配具身操作场景的缺陷，提出EmbodiedVAE视频变分自编码器，通过双编码器架构与最优传输一致性模块实现更优重建质量、压缩率及精确动作控制。

Comments ECCV 2026

Crayotter: Learning Long-Horizon Video Editing Agents via Group-Relative Preference Backpropagation

Crayotter：通过组相对偏好反向传播学习长时程视频编辑智能体

Lecheng Yan, Jianze Lin, Yichong Zhang, Ben Pan, Wenxi Li, Chenyang Lyu, Liting Zhou, Cathal Gurrin

机构 * University of Science and Technology of China（中国科学技术大学） ； Beijing Normal University（北京师范大学） ； Jilin University（吉林大学） ； Tianjin University（天津大学） ； East China Normal University（华东师范大学） ； Alibaba Group（阿里巴巴集团） ； Dublin City University（都柏林城市大学） 纠错

AI总结 该研究提出 GRPB 方法，构建长时程视频编辑任务集，训练出的 9B Crayotter 模型在 AgenticVBench 上超越多个专有系统，实现从主观延迟结果中学习视频编辑智能体。

Comments 12 pages, 3 figures

Video Models as Native 4D Renderers: World-Grounded Conditioning from Animated Mesh

视频模型作为原生4D渲染器：基于动画网格的世界 grounding 条件

Junhao Chen, Mingjin Chen, Henghaofan Zhang, Minglin Chen, Liaoyuan Fan, Boran Zhang, Saining Zhang, Mingze Sun, Hao Zhao, Ruqi Huang, Zhihao Li, Yufei Wang

机构 * Tsinghua University（清华大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Sun Yat-sen University（中山大学） ； The University of Hong Kong（香港大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 该研究提出参考引导渲染器DAR，扩展Wan2.2相机控制，用跟踪和世界位置组成的4D G缓冲作为条件，在DAR-4D基准上实现优于现有方法的视频生成性能。

Comments 14 pages, 5 figures

SVL: Empowering Spiking Neural Networks for Efficient 3D Open-World Understanding

SVL：基于脉冲的视觉-语言预训练用于高效的3D开放世界理解

Xuerui Qiu, Peixi Wu, Yaozhi Wen, Shaowei Gu, Yuqi Pan, Xinhao Luo, Bo XU, Guoqi Li

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Future Technology, University of Chinese Academy of Sciences（中国科学院大学未来技术学院） ； Zhongguancun Academy（中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） 纠错

AI总结 SVL提出基于脉冲的视觉-语言预训练框架，通过多尺度三元组对齐和可重参数化的视觉-语言整合，提升SNN在3D开放世界理解中的性能，实现高效零样本3D分类和多模态问答。

Comments ICML 2026 Spotlight

When Classes Evolve: A Benchmark and Framework for Stage-Aware Class-Incremental Learning

当类别进化：一种面向阶段感知类增量学习的基准和框架

Zheng Zhang, Tao Hu, Xueheng Li, Yang Wang, Rui Li, Jie Zhang, Chengjun Xie

机构 * Dalian University of Technology（大连理工大学） ； Hefei Institutes of Physical Science, Chinese Academy of Sciences（合肥物理科学研究院，中国科学院） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 STAGE通过学习抽象的进化模式，在类增量学习中有效解决类间区分和类内形态适应问题。

Comments 34th ACM International Conference on Multimedia (ACM MM '26)