视频大模型

Context Forcing: Consistent Autoregressive Video Generation with Long Context

上下文强制：通过长上下文实现一致的自回归视频生成

Shuo Chen, Cong Wei, Sun Sun, Ping Nie, Kai Zhou, Ge Zhang, Ming-Hsuan Yang, Wenhu Chen

机构 * Department of EECS, University of California, Merced, USA（加州大学梅尔塞德斯分校电子工程与计算机科学系） ； University of Waterloo, Canada（滑铁卢大学） 纠错

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

AI总结 Context Forcing通过长上下文教师训练学生，解决长视频生成中的学生-教师不匹配问题，实现更长的上下文长度和更一致的生成质量。

LSA: Localized Semantic Alignment for Enhancing Temporal Consistency in Traffic Video Generation

LSA：局部语义对齐用于增强交通视频生成中的时间一致性

Mirlan Karimov, Teodora Spasojevic, Markus Braun, Julian Wiederer, Vasileios Belagiannis, Marc Pollefeys

机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； ETH Zurich（苏黎世联邦理工学院） ； Friedrich-Alexander University Erlangen-Nuremberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） 纠错

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

AI总结 LSA通过局部语义对齐提升交通视频生成的时间一致性，无需外部控制信号。

Comments Accepted to IEEE IV 2026. 8 pages, 3 figures. Code available at https://github.com/mirlanium/LSA

Sparse Video Generation Propels Real-World Beyond-the-View Vision-Language Navigation

稀疏视频生成推动现实世界超越视界视觉语言导航

Hai Zhang, Siqi Liang, Li Chen, Yuxian Li, Yukuan Xu, Yichao Zhong, Fu Zhang, Hongyang Li

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

AI总结 本文提出SparseVideoNav，通过稀疏视频生成实现现实世界超越视界导航，显著提升导航效率和成功率。

Many-for-Many: Unify the Training of Multiple Video and Image Generation and Manipulation Tasks

许多对许多：统一多个视频和图像生成与操控任务的训练

Ruibin Li, Tao Yang, Yangming Shi, Weiguo Feng, Shilei Wen, Bingyue Peng, Lei Zhang

机构 * ByteDance（字节跳动） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本文提出many-for-many框架，通过统一训练多个视频和图像生成与操控任务，提升视频生成性能并引入深度图条件。