视频大模型

TV2TV: A Unified Framework for Interleaved Language and Video Generation

TV2TV：一种用于交错语言和视频生成的统一框架

Xiaochuang Han, Youssef Emad, Melissa Hall, John Nguyen, Karthik Padthe, Liam Robbins, Amir Bar, Delong Chen, Michal Drozdzal, Maha Elbayad, Yushi Hu, Shang-Wen Li, Sreya Dutta Roy, Jakob Verbeek, XuDong Wang, Marjan Ghazvininejad, Luke Zettlemoyer, Emily Dinan

机构 * Meta FAIR 纠错

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

AI总结 TV2TV通过统一框架实现语言与视频生成的交错过程，提升视频生成的视觉质量和可控性。

Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation

Any2Caption：任何条件到字幕以实现可控视频生成

Shengqiong Wu, Weicai Ye, Jiahao Wang, Quande Liu, Xintao Wang, Pengfei Wan, Di Zhang, Kun Gai, Shuicheng Yan, Hao Fei, Tat-Seng Chua

机构 * Kuaishou Technology（快手科技） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 Any2Caption通过多模态大语言模型实现任何条件到字幕的可控视频生成，提升视频生成的可控性和质量。

Comments Project Page: https://sqwu.top/Any2Cap/

FlowDirector: Training-Free Flow Steering for Precise Text-to-Video Editing

FlowDirector: 无需训练的流引导文本到视频编辑

Guangzhao Li, Yanming Yang, Chenxi Song, Chi Zhang

机构 * AGI Lab, Westlake University（西湖大学AGI实验室） ； Central South University（中南大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 FlowDirector通过直接在数据空间中建模编辑过程，无需训练和倒置步骤，实现了更精确的文本到视频编辑。

Comments Project Page is https://flowdirector-edit.github.io

V-RGBX: Video Editing with Accurate Controls over Intrinsic Properties

V-RGBX：具有精确内在属性控制的视频编辑

Ye Fang, Tong Wu, Valentin Deschaintre, Duygu Ceylan, Iliyan Georgiev, Chun-Hao Paul Huang, Yiwei Hu, Xuelin Chen, Tuanfeng Yang Wang

机构 * Fudan University（复旦大学） ； Adobe Research（Adobe研究院） ； Stanford University（斯坦福大学） 纠错

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

AI总结 V-RGBX通过端到端框架实现基于内在属性的视频编辑，支持直观且物理合理的视频修改，适用于物体外观和场景重照明等应用。

Comments Project Page: https://aleafy.github.io/vrgbx

Autoregressive Video Autoencoder with Decoupled Temporal and Spatial Context

具有解耦时间和空间上下文的自回归视频自编码器

Cuifeng Shen, Lumin Xu, Xingguo Zhu, Gengdai Liu

机构 * Zoom Communications（Zoom公司） 纠错

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

AI总结 ARVAE通过解耦时间和空间上下文，实现高效视频压缩与重建，具备轻量模型和小数据优势，适用于视频生成等下游任务。

MoCA-Video: Motion-Aware Concept Alignment for Consistent Video Editing

MoCA-Video：面向一致视频编辑的运动感知概念对齐

Tong Zhang, Juan C Leon Alcazar, Victor Escorcia, Bernard Ghanem

机构 * Department of Computer Science（计算机科学系） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学科学与技术学院） 纠错

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

AI总结 MoCA-Video通过在冻结的视频扩散模型潜在空间中进行语义混合，实现无需训练的高质量视频编辑，通过动量修正和伽马残差模块提升时间稳定性和语义一致性。

Temporal In-Context Fine-Tuning with Temporal Reasoning for Versatile Control of Video Diffusion Models

具有时间推理的上下文微调用于视频扩散模型的多功能控制

Kinam Kim, Junha Hyung, Jaegul Choo

机构 * KAIST AI（韩国科学技术院人工智能研究中心） 纠错

专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)；text-to-video(abstract)；分类 cs.CV

AI总结 TIC-FT通过时间推理实现视频扩散模型的多功能控制，无需架构修改，仅需少量样本即可实现高质量视频生成。

Comments project page: https://kinam0252.github.io/TIC-FT/

MultiMotion: Multi Subject Video Motion Transfer via Video Diffusion Transformer

多主体视频动作迁移：通过视频扩散变换器实现

Penghui Liu, Jiangshan Wang, Yutong Shen, Shanhui Mo, Chenyang Qi, Yue Ma

专题命中 视频扩散模型 ：video diffusion(title)；分类 cs.CV

AI总结 MultiMotion通过视频扩散变换器实现多主体视频动作迁移，引入AMF和RectPC提升动作解纠缠与生成效率，构建首个专用基准数据集。

FactorPortrait: Controllable Portrait Animation via Disentangled Expression, Pose, and Viewpoint

FactorPortrait: 通过解耦的表情、姿态和视角实现可控的肖像动画

Jiapeng Tang, Kai Li, Chengxiang Yin, Liuhao Ge, Fei Jiang, Jiu Xu, Matthias Nießner, Christian Häne, Timur Bagautdinov, Egor Zakharov, Peihong Guo

机构 * Meta Reality Labs（Meta现实实验室） ； Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV

AI总结 FactorPortrait通过解耦表情、姿态和视角实现可控肖像动画，利用预训练编码器和3D网格跟踪生成逼真动态效果。

Comments Project page: https://tangjiapeng.github.io/FactorPortrait/

FilmWeaver: Weaving Consistent Multi-Shot Videos with Cache-Guided Autoregressive Diffusion

FilmWeaver: 通过缓存引导自回归扩散编织一致的多镜头视频

Xiangyang Luo, Qingyu Li, Xiaokun Liu, Wenyu Qin, Miao Yang, Meng Wang, Pengfei Wan, Di Zhang, Kun Gai, Shao-Lun Huang

机构 * Kling Team, Kuaishou Technology（快手科技 Kling Team） 纠错

专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV

AI总结 FilmWeaver通过缓存引导自回归扩散模型实现多镜头视频的一致性生成，支持灵活交互和多任务应用。

Comments AAAI-2026

PersonaLive! Expressive Portrait Image Animation for Live Streaming

PersonaLive! 用于直播的 expressive 人物图像动画

Zhiyuan Li, Chi-Man Pun, Chen Fang, Jue Wang, Xiaodong Cun

机构 * University of Macau（澳门大学） ； GVC Lab, Great Bay University（大湾大学GVC实验室） 纠错

专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV

AI总结 PersonaLive通过多阶段训练方法实现了实时面部动画生成，提升了效率和稳定性，达到7-22倍的速度提升。

VFMF: World Modeling by Forecasting Vision Foundation Model Features

VFMF：通过预测视觉基础模型特征进行世界建模

Gabrijel Boduljak, Yushi Lan, Christian Rupprecht, Andrea Vedaldi

专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV

AI总结 本文提出了一种基于VFM特征的生成预测器，通过自回归流匹配在潜在空间中实现更准确的预测，提升世界建模的效率和效果。

Structure From Tracking: Distilling Structure-Preserving Motion for Video Generation

从跟踪中获取结构：从自回归视频跟踪模型中蒸馏保持结构的运动用于视频生成

Yang Fei, George Stoica, Jingyuan Liu, Qifeng Chen, Ranjay Krishna, Xiaojuan Wang, Benlin Liu

机构 * HKUST（香港科技大学） ； University of Washington（华盛顿大学） ； Georgia Tech（佐治亚理工学院） ； Adobe（Adobe公司） 纠错

专题命中 动作与事件理解 ：video generation(title)；video diffusion(abstract)；分类 cs.CV

AI总结 通过蒸馏自回归视频跟踪模型中的结构保持运动先验，SAM2VideoX在视频生成任务中实现了更高的保真度和一致性。

Comments Project Website: https://sam2videox.github.io/

Efficient Action Counting with Dynamic Queries

高效动态查询动作计数

Xiaoxuan Ma, Zishi Li, Qiuyan Shang, Wentao Zhu, Hai Ci, Yu Qiao, Yizhou Wang

专题命中 动作与事件理解 ：long video(abstract)；分类 cs.CV

AI总结 本文提出了一种基于动态查询表示的高效动作计数方法，通过动态更新和跨查询对比学习，显著提升了长视频和未见过动作的计数性能。

Comments code: https://github.com/lizishi/DeTRC, proj page: https://shirleymaxx.github.io/DeTRC/