SkyReels-V3 Technique Report
SkyReels-V3 技术报告
机构 * SkyReels Team（SkyReels 团队）
专题命中 视频理解 ：video generation(abstract)；video understanding(abstract)；分类 cs.CV
AI总结 SkyReels-V3 提出三种视频生成范式，通过多模态上下文学习框架实现高质量视频生成，涵盖图像到视频、视频扩展和音频引导生成，达到接近闭源系统的性能。
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。
1. 视频理解 1 篇
2. 视频生成 2 篇
Generative Recall, Dense Reranking: Learning Multi-View Semantic IDs for Efficient Text-to-Video Retrieval
生成回忆，密集重排序：学习多视图语义ID以实现高效的文本到视频检索
机构 * The University of Queensland（昆士兰大学） ； The University of Southern Queensland（南部昆士兰大学）
专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV
AI总结 GRDR通过生成回忆和密集重排序方法，提升文本到视频检索的效率和准确性，减少存储并加速检索过程。
Comments 10 pages
Learning Transient Convective Heat Transfer with Geometry Aware World Models
利用几何感知的世界模型学习瞬态对流热传递
机构 * Institute of Mathematics, TU Berlin（柏林技术大学数学研究所） ； Siemens Energy AG（西门子能源有限公司） ； Weierstrass Institute for Applied Analysis and Stochastics（魏尔斯特拉斯应用分析与概率研究所）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出一种几何感知的世界模型架构，用于学习瞬态对流热传递，通过双重条件机制和架构适应性提升物理模拟的可控性和精度。
Comments 36 pages, 18 figures, 2 tables
3. 视频扩散模型 4 篇
Zero-Shot Video Restoration and Enhancement with Assistance of Video Diffusion Models
借助视频扩散模型的零样本视频修复与增强
机构 * School of Electrical and Information Engineering, Tianjin University（电子信息工程学院，天津大学） ； Computer Vision and Pattern Recognition Laboratory, School of Engineering Science, Lappeenranta-Lahti University of Technology LUT（计算机视觉与模式识别实验室，工程科学学院，拉佩兰塔-拉赫蒂技术大学LUT）
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 本文提出一种无训练的框架，利用视频扩散模型提升零样本视频修复与增强的时序一致性，通过潜在融合与后处理策略增强效果。
VidLaDA: Bidirectional Diffusion Large Language Models for Efficient Video Understanding
VidLaDA：双向扩散大型语言模型用于高效视频理解
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； ZhongguanCun Academy（中关村学院） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
专题命中 视频扩散模型 ：video understanding(title)；分类 cs.CV
AI总结 VidLaDA通过双向注意力和MARS-Cache技术，提升视频理解效率，实现比现有方法更优的性能与速度
EditYourself: Audio-Driven Generation and Manipulation of Talking Head Videos with Diffusion Transformers
EditYourself: 基于音频驱动的谈话头视频生成与操控的扩散变换器
机构 * Pipio AI ； Amazon（亚马逊）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV、cs.MM
AI总结 EditYourself通过音频驱动的视频到视频编辑框架，实现基于脚本的谈话头视频修改，包括内容的添加、删除和重新定时，同时保持唇同步和时间一致性。
Comments Project page: https://edit-yourself.github.io/
GR3EN: Generative Relighting for 3D Environments
GR3EN: 生成式3D环境光照
机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； University of Amsterdam（阿姆斯特丹大学）
专题命中 视频扩散模型 ：video diffusion(abstract)；分类 cs.CV
AI总结 GR3EN通过将视频到视频扩散模型输出蒸馏到3D重建中，实现对房间尺度场景的可控3D光照调整，无需解决逆渲染问题，适用于复杂现实场景。
Comments project page: https://gr3en-relight.github.io/
4. 动作与事件理解 1 篇
Understanding Multimodal Complementarity for Single-Frame Action Anticipation
理解单帧动作预测中的多模态互补性
机构 * Department of Computer Technology, University of Alicante（阿尔瓦雷斯大学计算机技术系） ； Institute of Computer Science, FORTH（福蒂研究所） ； Computer Science Department, University of Crete（克里特大学计算机科学系） ； Department of Management, Science and Technology, Hellenic Mediterranean University（希腊地中海大学管理、科学与技术系）
专题命中 动作与事件理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本研究通过单帧动作预测框架AAG+，探索多模态互补性对动作预测的影响，验证单帧信息在动作预测中的有效性。
5. 长视频与时序推理 1 篇
Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning
基于框架的思考：视觉上下文和测试时扩展如何增强视频推理
机构 * University of Cambridge（剑桥大学） ； Pioneer Center for AI, University of Copenhagen（人工智能先锋中心，哥本哈根大学） ； Hong Kong University of Science（香港科学大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学）
专题命中 长视频与时序推理 ：video reasoning(title)；video generation(abstract)；分类 cs.CV
AI总结 本文提出通过视频生成模型进行视觉推理，利用视觉上下文和测试时扩展提升视频推理能力，展示了模型在空间和时间复杂任务中的鲁棒零样本泛化能力。
Comments 8 pages, 3 figures, 3 tables (26 pages, 13 figures, 6 tables including references and appendices)
