视频大模型

Think-Clip-Sample: Slow-Fast Frame Selection for Video Understanding

Think-Clip-Sample: 慢-快帧选择用于视频理解

Wenhui Tan, Ruihua Song, Jiaze Li, Jianzhong Ju, Zhenbo Luo

专题命中 视频理解 ：video understanding(title,abstract)；long video(abstract)；分类 cs.CV

AI总结 Think-Clip-Sample通过多查询推理和慢-快采样提升长视频理解的效率和效果

Comments Accepted by ICASSP2026

VidLeaks: Membership Inference Attacks Against Text-to-Video Models

VidLeaks：针对文本到视频模型的成员推断攻击

Li Wang, Wenyu Chen, Ning Yu, Zheng Li, Shanqing Guo

机构 * School of Cyber Science and Technology, Shandong University（山东大学网络科学与技术学院） ； Eyeline Labs（Eyeline实验室） ； State Key Laboratory of Cryptography and Digital Economy Security, Shandong University（山东大学密码与数字经济安全国家重点实验室） ； Shandong Key Laboratory of Artificial Intelligence Security, Shandong University（山东省人工智能安全重点实验室） 纠错

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

AI总结 VidLeaks通过空间重建保真度和时间生成稳定性两种信号，首次系统研究了针对文本到视频模型的成员推断攻击，揭示了模型在稀疏和时间记忆方面的隐私风险。

Future Optical Flow Prediction Improves Robot Control & Video Generation

未来光流预测改进机器人控制与视频生成

Kanchana Ranasinghe, Honglu Zhou, Yu Fang, Luyu Yang, Le Xue, Ran Xu, Caiming Xiong, Silvio Savarese, Michael S Ryoo, Juan Carlos Niebles

机构 * Salesforce AI Research（Salesforce AI研究院） ； Stony Brook University（石溪大学） 纠错

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

AI总结 FOFPred通过统一的视觉-语言模型和扩散架构，实现高效的未来光流预测，提升机器人控制与视频生成的性能。

Comments Project Site (Code, Models, Demo): https://fofpred.github.io

ATATA: One Algorithm to Align Them All

ATATA：一切对齐的统一算法

Boyi Pang, Savva Ignatyev, Vladimir Ippolitov, Ramil Khafizov, Yurii Melnik, Oleg Voynov, Maksim Nakhodnov, Aibek Alanov, Xiaopeng Fan, Peter Wonka, Evgeny Burnaev

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Applied AI Institute（应用人工智能研究所） ； AXXX ； FusionBrain Lab（融合大脑实验室） ； MSU（莫斯科州立大学） ； Constructor University（建设大学） ； HSE University（高等经济大学） ； Peng Cheng Laboratory（鹏城实验室） ； HIT Suzhou Research Institute（哈尔滨工业大学苏州研究 institute） ； KAUST（科威特大学） 纠错

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

AI总结 ATATA提出一种基于Rectified Flow模型的多模态算法，实现高效结构对齐的样本生成，提升图像、视频和3D生成的质量与速度。

PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models

PhysRVG: 基于物理的视频生成模型统一强化学习

Qiyuan Zhang, Biao Gong, Shuai Tan, Zheng Zhang, Yujun Shen, Xing Zhu, Yuyuan Li, Kelu Yao, Chunhua Shen, Changqing Zou

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Zhejiang Lab（浙江实验室） 纠错

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

AI总结 PhysRVG通过引入基于物理的强化学习范式，统一视频生成模型，直接在高维空间中强制物理碰撞规则，提升生成视频的物理真实性。

VINO: A Unified Visual Generator with Interleaved OmniModal Context

VINO：一个具有交错多模态上下文的统一视觉生成器

Junyi Chen, Tong He, Zhoujie Fu, Pengfei Wan, Kun Gai, Weicai Ye

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

AI总结 VINO通过统一的视觉生成框架实现图像和视频的生成与编辑，利用交错多模态上下文条件处理，提升多任务视觉创作能力。

Comments Project page: https://sotamak1r.github.io/VINO-web/

Efficient On-Board Processing of Oblique UAV Video for Rapid Flood Extent Mapping

高效处理倾斜无人机视频以快速绘制洪水范围

Vishisht Sharma, Sam Leroux, Lisa Landuyt, Nick Witvrouwen, Pieter Simoens

机构 * IDLab, Department of Information Technology, Ghent University - imec（IDLab，信息科技系，根特大学 - imec） ； Environmental Intelligence Unit, VITO (Flemish Institute for Technological Research)（环境智能单元，VITO（佛兰德斯技术研究院）） 纠错

专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV

AI总结 本文提出TTR框架，通过利用倾斜视频的时空冗余性，实现嵌入式设备上的高效视频分割，减少推理延迟并保持分割精度，适用于时间敏感的遥感任务。