Controllable Hybrid Captioner for Improved Long-form Video Understanding
机构 * Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI 大模型
视频大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
1. 视频理解 3 篇
UniPixel: Unified Object Referring and Segmentation for Pixel-Level Visual Reasoning
机构 * The Hong Kong Polytechnic University（香港理工大学） ； ARC Lab, Tencent PCG（腾讯PCG ARC实验室） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； vivo Mobile Communication Co.（vivo移动通信公司） ； MindWingman Technology (Shenzhen) Co., Ltd.（深圳MindWingman技术有限公司）
专题命中 视频理解 ：video-language(abstract)；分类 cs.CV
Comments NeurIPS 2025 Camera Ready. Project Page: https://polyu-chenlab.github.io/unipixel/
TYrPPG: Uncomplicated and Enhanced Learning Capability rPPG for Remote Heart Rate Estimation
机构 * School of Computing, Binghamton University（计算学院，宾夕法尼亚州立大学） ； Department of Computer Science, Hong Kong Baptist University（计算机科学系，香港 Baptist 大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
Comments The 6th International Workshop on AI for Social Good in the Connected World (AI4SG)@ IEEE WI-IAT 2025
2. 视频生成 7 篇
Neodragon: Mobile Video Generation using Diffusion Transformer
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
Reg-DPO: SFT-Regularized Direct Preference Optimization with GT-Pair for Improving Video Generation
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
Comments The paper is withdrawn due to the need for further revision and verification of experimental results. A revised version will be resubmitted once the updates are completed
PhysCtrl: Generative Physics for Controllable and Physics-Grounded Video Generation
机构 * University of Pennsylvania（宾夕法尼亚大学） ； HKU（香港大学） ； HKUST（香港科技大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
Comments NeurIPS 2025 Camera Ready Version
RelightMaster: Precise Video Relighting with Multi-plane Light Images
机构 * Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； CPII under InnoHK（创新香港 CPII） ； Zhejiang University（浙江大学） ； Dalian University of Technology（大连理工大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
Comments Project Page: https://wkbian.github.io/Projects/RelightMaster/
Video Text Preservation with Synthetic Text-Rich Videos
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
Robot Learning from a Physical World Model
机构 * Google DeepMind（谷歌DeepMind） ； USC（美国斯克利普斯大学） ； Stanford（斯坦福大学） ； Toyota Research Institute（丰田研究机构）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments Project page: https://pointscoder.github.io/PhysWorld_Web/
VMDT: Decoding the Trustworthiness of Video Foundation Models
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of California, Santa Cruz（加州大学圣克ruz分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Chicago（芝加哥大学） ； Amazon（亚马逊） ； Information Commissioner’s Office（信息专员办公室）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
Comments NeurIPS 2025 Datasets & Benchmarks
3. 视频扩散模型 2 篇
Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion
机构 * Adobe Research（Adobe研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)；分类 cs.CV
Comments NeurIPS 2025 spotlight. Project website: http://self-forcing.github.io/
ACT-R: Adaptive Camera Trajectories for Single View 3D Reconstruction
机构 * Simon Fraser University（西蒙弗雷泽大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
Comments 3DV 2026, Project Page: https://mingrui-zhao.github.io/ACT-R/
4. 动作与事件理解 1 篇
Video CLIP Model for Multi-View Echocardiography Interpretation
机构 * The University of Tokyo Hospital（东京大学医院）
专题命中 动作与事件理解 ：video-language(abstract)；分类 cs.CV
5. 长视频与时序推理 1 篇
VideoCAD: A Dataset and Model for Learning Long-Horizon 3D CAD UI Interactions from Video
机构 * Massachusetts Institute of Technology（麻省理工学院）
专题命中 长视频与时序推理 ：video understanding(abstract)；分类 cs.CV
6. 视频数据与评测 3 篇
VideoSSR: Video Self-Supervised Reinforcement Learning
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学）
专题命中 视频数据与评测 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
InfiniBench: A Benchmark for Large Multi-Modal Models in Long-Form Movies and TV Shows
机构 * KAUST（卡塔尔科技大学） ； Monash University（墨尔本大学） ； RICE University（里士满大学）
专题命中 视频数据与评测 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
Comments Accepted for oral presentation at the EMNLP 2025 main conference
Sekai: A Video Dataset towards World Exploration
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Beijing Institute of Technology（北京理工大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； The University of Tokyo（东京大学）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
Comments 14 pages, 5 figures
