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。
StreamingAssistant: 为加速在线视频理解的高效视觉标记修剪
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Westlake University（西湖大学） ； Beijing Jiaotong University（北京交通大学） ； Simon Fraser University（西蒙弗雷泽大学）
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 StreamingAssistant通过高效视觉标记修剪技术，提升在线视频理解的准确性和效率，减少GPU内存使用和计算延迟。
FastVID: 动态密度修剪用于快速视频大语言模型
机构 * School of Software, Tsinghua University（清华大学软件学院） ； BNRist, Tsinghua University（清华大学BNRist） ； GRG Banking Equipment Co., Ltd.（GRG银行设备有限公司）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 FastVID通过动态密度修剪技术，显著降低视频大语言模型的计算开销，同时保持高准确性，实现高效的视频处理性能。
Comments NeurIPS 2025
CineLOG: 一种无需训练的电影长视频生成方法
机构 * Sharif University of Technology（沙斐大学）
专题命中 视频生成 ：video generation(title)；long video(title)；分类 cs.CV
AI总结 CineLOG通过构建高质量、平衡的数据集和创新的生成管道，实现了对电影长视频中摄像机轨迹和类型等属性的精准控制，优于现有端到端模型。
SneakPeek: 基于未来的指导性视频生成
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Seoul National University（首尔国立大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 SneakPeek通过预测因果适应、未来引导自我强制和多提示条件，实现了基于未来的指导性视频生成，提高了时间一致性和可控性。
SMRABooth: 主体和运动表示对齐用于定制视频生成
机构 * Nanjing University of Posts and Telecommunications（南京邮电大学） ； Peng Cheng Laboratory（鹏城实验室）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 SMRABooth通过自监督和光流编码器对齐主体和运动表示，提升定制视频生成中主体外观和运动模式的一致性。
训练变换器：加速 naive 4K 视频生成超过 10$\times$
机构 * Youtu Lab, Tencent（腾讯优设实验室） ； Zhejiang University（浙江大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 T3-Video 通过优化全注意力机制，显著提升 4K 视频生成效率，实现性能与速度的双重突破
Comments Project page: https://zhangzjn.github.io/projects/T3-Video
PoseAnything: 通用姿态引导视频生成与部分感知时间一致性
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 PoseAnything是一种通用姿态引导视频生成框架，能够处理人类和非人类角色，通过引入部分感知时间一致性模块和解耦CFG策略，提升了视频生成的精度和泛化能力。
GenieDrive: 向具有物理意识的驾驶世界模型迈进：基于4D占用的视频生成
机构 * The University of Hong Kong（香港大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 GenieDrive通过4D占用引导的视频生成，实现物理意识的驾驶视频生成，提升预测精度和视频质量。
Comments The project page is available at https://huster-yzy.github.io/geniedrive_project_page/
SuperGen: 一种高效的超高清视频生成系统，支持草图和分块
机构 * Rice University（里士满大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Texas A&M University（德克萨斯农工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco（思科公司） ； NVIDIA（英伟达公司） ； University of Washington（华盛顿大学）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 SuperGen通过分块技术实现高效超高清视频生成，无需额外训练，降低计算和内存成本，提升生成速度和质量。
AutoMV: 一种自动多智能体系统用于音乐视频生成
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Nanjing University（南京大学） ； Queen Mary University of London（伦敦大学女王学院） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Manchester（曼彻斯特大学）
专题命中 视频生成 ：video generation(title)；分类 cs.CV、cs.MM
AI总结 AutoMV通过多智能体协作生成完整音乐视频，优于现有方法并接近专业水准。
用于场景一致的摄像机可控视频生成的3D场景提示
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Sony AI（索尼人工智能研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Sony Group Corporation（索尼集团）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 3DScenePrompt通过双时空条件化和3D场景记忆实现场景一致且可控的视频生成，提升生成质量与摄像机控制精度。
Comments Project page : https://cvlab-kaist.github.io/3DScenePrompt/
接下来会发生什么？一种统一的视频模型用于下一场景预测
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon（亚马逊）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出Next Scene Prediction任务，通过联合框架结合Qwen-VL和LTX，利用预训练、监督微调和强化学习提升视频模型的时间推理能力。
KlingAvatar 2.0 技术报告
机构 * Kuaishou Technology（快手科技）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 KlingAvatar 2.0 通过时空级联框架和多模态指令融合技术，实现了高效且高质量的长视频生成，提升了视觉清晰度和多模态对齐能力。
Comments 14 pages, 7 figures
Light-X：具有摄像机和照明控制的生成式4D视频渲染
机构 * S-Lab, NTU（NTU的S-Lab） ； BAAI ； HUST（华中科技大学） ； AIR,THU（清华大学人工智能研究院） ； FNii, CUHKSZ（CUHKSZ的FNii） ； SJTU（上海交通大学） ； EIT (Ningbo)（宁波工程学院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Light-X通过联合控制摄像机轨迹和光照，实现高质量4D视频生成，优于现有方法。
Comments Project Page: https://lightx-ai.github.io/ , Code: https://github.com/TQTQliu/Light-X
MusicInfuser: 使视频扩散模型听音乐并跳舞
机构 * University of Washington（华盛顿大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 MusicInfuser通过调整预训练视频扩散模型，使视频能与指定音乐同步生成舞蹈，无需运动数据，训练高效且泛化能力强。
Comments Project page: https://susunghong.github.io/MusicInfuser
V-Warper：通过价值扭曲实现外观一致的视频扩散个性化
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Korea University（韩国大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 V-Warper通过价值扭曲实现视频扩散模型的无训练粗到细个性化，提升外观一致性与生成质量。
Comments Project Page: https://cvlab-kaist.github.io/V-Warper
AutoRefiner: 通过在随机采样路径上的反思细化改进自回归视频扩散模型
机构 * Australian National University（澳大利亚国立大学） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 AutoRefiner通过路径噪声细化和反射式KV缓存改进AR-VDMs的样本保真度
BAgger: 逆向聚合用于缓解自回归视频扩散模型中的漂移
机构 * Stanford University（斯坦福大学）
专题命中 视频扩散模型 ：video diffusion(title)；text-to-video(abstract)；分类 cs.CV
AI总结 BAgger通过自监督方法缓解自回归视频扩散模型中的漂移问题，利用标准分数或流匹配目标提升长期运动稳定性与视觉一致性。
Comments Project page here: https://ryanpo.com/bagger
Ctrl-Crash: 可控扩散用于逼真汽车碰撞
机构 * McGill University（麦吉尔大学） ； CIFAR AI Chair（CIFAR人工智能 chair）
专题命中 视频扩散模型 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 Ctrl-Crash通过可控扩散生成逼真汽车碰撞视频，提升交通安全模拟的可控性和真实性。
Comments Under review at Pattern Recognition Letters
DiffusionBrowser: 通过多分支解码器实现交互式扩散预览
机构 * University of Washington（华盛顿大学） ； Adobe Research（Adobe研究）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 DiffusionBrowser通过多分支解码器实现交互式视频生成预览，提升生成效率与可控性。
Comments Project page: https://susunghong.github.io/DiffusionBrowser
LINA: 为扩散模型中的物理对齐和泛化学习适应性干预
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 LINA通过学习适应性干预，提升扩散模型在物理对齐和超出分布指令跟随方面的性能。
生成性时空数据增强
机构 * University of Chicago（芝加哥大学） ； University of Michigan, Ann Arbor（安娜堡大学） ； DEVCOM Army Research Laboratory（陆军研究实验室）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出利用视频扩散模型生成时空数据以增强模型性能，尤其在数据稀缺情况下提升模型表现。
Animus3D: 通过运动分数蒸馏实现文本驱动的3D动画
机构 * City University of Hong Kong（香港城市大学） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究院）
专题命中 动作与事件理解 ：video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 Animus3D通过运动分数蒸馏技术实现文本驱动的3D动画生成，提升运动细节与视觉完整性。
Comments SIGGRAPH Asia 2025
CreativeVR: 一种基于扩散先验的结构与运动修复方法用于生成视频和真实视频
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe（Adobe公司）
专题命中 动作与事件理解 ：text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 CreativeVR通过扩散先验引导方法，有效修复AI生成和真实视频中的结构与运动伪影，实现高质量视频修复。
Comments The first two authors contributed equally
物理真实序列级对抗性服装用于鲁棒的人体检测规避
机构 * School of Future Technology, South China University of Technology（未来技术学院，华南理工大学） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（交叉信息研究院，清华大学）
专题命中 动作与事件理解 ：long video(abstract)；分类 cs.CV
AI总结 本研究提出序列级优化框架，生成可打印的对抗性服装纹理，以实现在数字和物理环境中对人类检测的鲁棒规避。
无限世界：实时3D感知长视频生成
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Adobe Research（Adobe研究）
专题命中 长视频与时序推理 ：video generation(title,abstract)；long video(title)；分类 cs.CV
AI总结 Endless World通过实时3D感知机制生成无限长且连贯的视频，解决长视频生成中的3D一致性与动态场景合成问题。
Comments 10 pages,7 figures
LongVie 2: 多模态可控超长视频世界模型
机构 * FDU（福建大学） ； NJU（南京大学） ； NTU（National University of Taiwan） ； NVIDIA（英伟达） ； THU（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 长视频与时序推理 ：long video(title)；video generation(abstract)；分类 cs.CV
AI总结 LongVie 2通过多模态引导、退化感知训练和历史-上下文引导，实现了超长视频的可控生成，支持连续视频生成长达五分钟，推动视频世界建模的统一发展。
Comments Project Page: https://vchitect.github.io/LongVie2-project/
Ego-EXTRA：视频语言眼动数据集用于专家-学员协助
机构 * Department of Mathematics and Computer Science - University of Catania（数学与计算机科学系 - 卡塔尼亚大学） ； Next Vision s.r.l. - Spinoff of the University of Catania（Next Vision公司 - 卡塔尼亚大学衍生机构） ； Meta Reality Labs Research（Meta现实实验室）
专题命中 视频数据与评测 ：video-language(title,abstract)；分类 cs.CV
AI总结 Ego-EXTRA数据集通过专家-学员双向对话评估多模态大语言模型，揭示其在专家级帮助中的局限性。
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