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。

2026-01-23 至 2026-01-23 共收录 5 篇信号源：cs.CV, eess.IV, cs.MM

1. 视频扩散模型 3 篇

2601.16214 2026-01-23 cs.CV 79%

CamPilot: Improving Camera Control in Video Diffusion Model with Efficient Camera Reward Feedback

CamPilot: 通过高效的相机奖励反馈提升视频扩散模型的相机控制

Wenhang Ge, Guibao Shen, Jiawei Feng, Luozhou Wang, Hao Lu, Xingye Tian, Xin Tao, Ying-Cong Chen

机构 * HKUST(GZ)（香港科技大学（广州））； HKUST（香港科技大学）； Kling Team, Kuaishou Technology（快手科技 Kling 团队）

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

AI总结 CamPilot通过高效的3D解码器和奖励机制提升视频扩散模型的相机控制能力

2510.23494 2026-01-23 cs.CV cs.GR 57%

Yesnt: Are Diffusion Relighting Models Ready for Capture Stage Compositing? A Hybrid Alternative to Bridge the Gap

Yesnt:扩散重照明模型是否准备好用于捕获阶段合成？一种混合方法用于弥合差距

Elisabeth Jüttner, Janelle Pfeifer, Leona Krath, Stefan Korfhage, Hannah Dröge, Matthias B. Hullin, Markus Plack

机构 * University of Bonn（波恩大学）

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

AI总结本文提出一种混合重照明框架，结合扩散先验与物理约束，实现更稳定的视频重照明效果。

2601.16163 2026-01-23 cs.AI cs.RO 50%

Cosmos Policy: Fine-Tuning Video Models for Visuomotor Control and Planning

Cosmos Policy: 为视觉运动控制和规划微调视频模型

Moo Jin Kim, Yihuai Gao, Tsung-Yi Lin, Yen-Chen Lin, Yunhao Ge, Grace Lam, Percy Liang, Shuran Song, Ming-Yu Liu, Chelsea Finn, Jinwei Gu

机构 * NVIDIA ； Stanford University（斯坦福大学）

专题命中视频扩散模型：video generation(abstract)

AI总结 Cosmos Policy通过单阶段后训练将预训练视频模型转化为高效机器人策略，实现视觉运动控制与规划的先进性能。

2. 动作与事件理解 1 篇

2308.11551 2026-01-23 cs.CV cs.IR cs.LG 57%

Multi-event Video-Text Retrieval

多事件视频-文本检索

Gengyuan Zhang, Jisen Ren, Jindong Gu, Volker Tresp

机构 * LMU Munich（慕尼黑大学）； Munich Center for Machine Learning（慕尼黑机器学习中心）； University of Oxford（牛津大学）

专题命中动作与事件理解：text-to-video(abstract)；分类 cs.CV

AI总结本文提出多事件视频-文本检索任务，设计Me-Retriever模型，通过关键事件表示和新损失函数提升视频-文本检索性能。

Comments [fixed typos in equations] accepted to ICCV2023 Poster; some figures are not supported when viewed online, please download the file and view locally

3. 长视频与时序推理 1 篇

2601.15655 2026-01-23 cs.CV cs.AI 79%

Event-VStream: Event-Driven Real-Time Understanding for Long Video Streams

Event-VStream: 基于事件驱动的长视频流实时理解

Zhenghui Guo, Yuanbin Man, Junyuan Sheng, Bowen Lin, Ahmed Ahmed, Bo Jiang, Boyuan Zhang, Miao Yin, Sian Jin, Omprakash Gnawal, Chengming Zhang

机构 * University of Houston（德克萨斯大学休斯顿分校）； The University of Texas at Arlington（德克萨斯理工大学）； Indiana University Bloomington（印第安纳大学布卢明顿分校）； Temple University（特拉华大学）

专题命中长视频与时序推理：long video(title,abstract)；分类 cs.CV

AI总结 Event-VStream通过事件感知框架实现长视频流的实时理解，利用事件序列进行语义连贯的处理，提升性能并保持低延迟。