视频大模型

GRADEO: Towards Human-Like Evaluation for Text-to-Video Generation via Multi-Step Reasoning

GRADEO: 通过多步骤推理实现文本到视频生成的人类级评估

Zhun Mou, Bin Xia, Zhengchao Huang, Wenming Yang, Jiaya Jia

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国） ； CSE department, The Chinese University of Hong Kong, Hong Kong,China（中国香港大学计算机科学与工程系，中国香港，中国） ； Department of Computer Science（计算机科学系） ； Engineering, The Hong Kong University of Science（工程，香港科学大学） 纠错

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

AI总结 GRADEO通过多步骤推理实现文本到视频生成的人类级评估，提出多维评估数据集和专门设计的视频评估模型，提升评估的可解释性和与人类判断的一致性。

CETCAM: Camera-Controllable Video Generation via Consistent and Extensible Tokenization

CETCAM: 通过一致且可扩展的分词实现相机可控的视频生成

Zelin Zhao, Xinyu Gong, Bangya Liu, Ziyang Song, Jun Zhang, Suhui Wu, Yongxin Chen, Hao Zhang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； ByteDance（字节跳动） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 CETCAM通过一致且可扩展的分词方案实现相机可控的视频生成，提高了几何一致性和视觉真实性，同时支持额外的控制模式。

Comp-Attn: Present-and-Align Attention for Compositional Video Generation

Comp-Attn: 为组合视频生成的呈现与对齐注意力

Hongyu Zhang, Yufan Deng, Shenghai Yuan, Yian Zhao, Peng Jin, Xuehan Hou, Chang Liu, Jie Chen

机构 * School of Electronic and Computer Engineering, Peking University, Shenzhen, China（北京大学电子与计算机工程学院） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室） ； Tsinghua University, Beijing, China（清华大学） 纠错

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

AI总结 Comp-Attn通过呈现与对齐范式解决T2V生成中主体存在与关系对齐问题，提升生成质量与效率。

X-CoT: Explainable Text-to-Video Retrieval via LLM-based Chain-of-Thought Reasoning

X-CoT：基于LLM链式推理的可解释文本到视频检索

Prasanna Reddy Pulakurthi, Jiamian Wang, Majid Rabbani, Sohail Dianat, Raghuveer Rao, Zhiqiang Tao

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

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

AI总结 X-CoT通过基于LLM的链式推理实现文本到视频检索的可解释性，提升检索性能并提供详细的推理依据。

Comments 12 pages, 7 figures. Accepted at EMNLP 2025 (Main Conference)

Journal ref Proc. EMNLP 2025, pages 31172-31183, Suzhou, China, Nov. 2025

TiViBench: Benchmarking Think-in-Video Reasoning for Video Generative Models

TiViBench: 用于视频生成模型的视频推理基准测试

Harold Haodong Chen, Disen Lan, Wen-Jie Shu, Qingyang Liu, Zihan Wang, Sirui Chen, Wenkai Cheng, Kanghao Chen, Hongfei Zhang, Zixin Zhang, Rongjin Guo, Yu Cheng, Ying-Cong Chen

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

AI总结 TiViBench提出用于评估视频生成模型的推理能力，结合VideoTPO提升推理性能，揭示商业与开源模型在推理潜力上的差异。

Comments Project: https://haroldchen19.github.io/TiViBench-Page/

WaTeRFlow: Watermark Temporal Robustness via Flow Consistency

WaTeRFlow：通过流一致性实现水印时间鲁棒性

Utae Jeong, Sumin In, Hyunju Ryu, Jaewan Choi, Feng Yang, Jongheon Jeong, Seungryong Kim, Sangpil Kim

机构 * Korea University（韩国大学） ； Google DeepMind（谷歌DeepMind） ； KAIST AI（韩国科学技术院人工智能） 纠错

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

AI总结 WaTeRFlow通过流一致性提升I2V场景下的水印鲁棒性，结合FUSE引擎、时间一致性损失和语义保持损失，实现跨模态水印恢复。

PTTA: A Pure Text-to-Animation Framework for High-Quality Creation

PTTA: 一种用于高质量动画创作的纯文本到动画框架

Ruiqi Chen, Kaitong Cai, Yijia Fan, Keze Wang

机构 * Sun Yat-sen University（中山大学） 纠错

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

AI总结 PTTA是一种纯文本到动画框架，通过微调HunyuanVideo模型实现高质量动画生成，优于现有基线方法。

Comments Under submission