AI 大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
具有门控注意力和可学习采样的状态空间分层压缩用于大多模态模型中的小时级视频理解
专题命中 视频理解 ：video understanding(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 本文提出了一种基于状态空间模型和门控注意力的高效压缩方法，用于减少大模型中小时级视频的token消耗，同时保持性能。
Comments AAAI 2026 (Oral). Project page: https://github.com/naver-ai/mambamia
AD-MIR：通过结构化推理弥合从感知到说服的广告视频理解鸿沟
机构 * Peking University, Beijing, China（北京大学） ； Tsinghua University, Beijing, China（清华大学） ； Xi'an Jiaotong University, Xi'an, China（西安交通大学） ； South China University of Technology, Guangzhou, China（华南理工大学）
专题命中 视频理解 ：video understanding(title)；分类 cs.CV
AI总结 AD-MIR通过结构化推理框架，结合语义检索与精确关键词匹配，有效解码广告意图，提升广告视频理解的准确性与说服策略分析能力。
TiFRe: 基于文本的视频帧减少用于高效视频多模态大语言模型
机构 * Wangxuan Institute of Computer Technology, Peking University（王轩计算机技术研究所，北京大学）
专题命中 视频理解 ：video understanding(abstract)；video-language(abstract)；分类 cs.CV
AI总结 TiFRe通过文本引导的帧采样和帧匹配机制，有效减少视频输入帧数，同时保留关键信息，提升视频多模态大语言模型的效率和性能。
FlashVID: 通过无训练树状时空标记合并实现高效的视频大语言模型
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 视频理解 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
AI总结 FlashVID通过无训练的树状时空标记合并技术，在保留99.1%性能的情况下将视频帧输入提升10倍，实现高效视频大语言模型加速。
Comments Accepted by ICLR 2026 (Oral)
视频过程推理
机构 * Sun Yat-sen University, China（中山大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； Snap Inc.（Snap公司）
专题命中 视频理解 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 视频过程推理框架通过结构化推理步骤提升视频理解的准确性与可解释性。
Demo-ICL: 用于过程视频知识获取的上下文学习
机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； Shanghai AI Lab（上海人工智能实验室） ； CUHK-MMLab（香港大学多媒体实验室）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 Demo-ICL通过两阶段训练策略提升模型从上下文示例中学习的能力，针对视频理解中的新挑战提出Demo-ICL-Bench基准测试。
构建第一人称程序化AI助手：方法、基准和挑战
机构 * Department of EEE（电子工程系） ； The Hong Kong Polytechnic University（香港理工大学） ； RayNeo ； Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 本文提出第一人称程序化AI助手，探讨其核心任务、赋能维度及挑战，通过实验评估现有方法并指明未来研究方向。
Comments Under peer-review
EgoLife：迈向以自身为中心的生活助手
机构 * S-Lab, Nanyang Technological University, Singapore（南洋理工大学新加坡分校） ； LMMs-Lab（LMMs实验室） ； IMDEA Networks, Spain（西班牙IMDEA网络） ； University of Brescia, Italy（意大利布雷西亚大学） ； Politecnico di Milano, Italy（意大利米兰理工学院）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 EgoLife旨在通过AI赋能的可穿戴设备开发以自身为中心的生活助手，通过多模态数据集和EgoButler系统提升日常效率与个性化服务。
Comments This version corrects the author affiliation to reflect the accurate institutional information at the time of publication. No technical content of the paper has been changed
D-ORCA：面向鲁棒音频视觉描述的对话中心优化
机构 * Tsinghua University（清华大学） ； WeChat Vision, Tencent Inc.（腾讯微信视觉实验室）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 D-ORCA通过对话中心优化，提升音频视觉描述的鲁棒性和准确性，填补开源生态关键空白。
TeleBoost：一种系统对齐框架，用于高保真、可控且稳健的视频生成
机构 * TeleBoost Team（TeleBoost团队）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 TeleBoost提出了一种系统化的训练后框架，通过整合监督策略塑造、奖励驱动强化学习和偏好细化，提升视频生成的保真度、时间连续性和可控性。
驾驶用DINO：作为自动驾驶仿真到现实生成的统一桥梁的视觉基础特征
机构 * Technical University of Munich（慕尼黑技术大学） ； Huawei Hilbert Research Center（华为希利伯特研究中心） ； Huawei Riemann Lab（华为里曼实验室） ； Wuhan University（武汉大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanjing University（南京大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 DwD通过利用视觉基础模块特征作为统一桥梁，解决自动驾驶仿真到现实生成中的现实性与真实性困境，提升控制精度与时间稳定性。
Comments Project website https://albertchen98.github.io/DwD-project/
ReRoPE：将RoPE用于相对相机控制
机构 * Zhejiang University（浙江大学） ； Independent Researcher（独立研究者）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 ReRoPE通过将RoPE用于相对相机控制，实现可控视频生成，提升生成质量与效率。
MAMBO-G：基于幅度的提升引导抑制
机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Waterloo（滑铁卢大学） ； Chinese Academy of Sciences（中国科学院） ； Zhongguancun Academy（中关村学院）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 MAMBO-G通过动态优化引导幅度，显著降低计算成本，实现视频生成任务的高效加速。
T2VTree: 以用户为中心的视觉分析用于代理辅助的思维到视频创作
专题命中 视频生成 ：video generation(abstract)；分类 cs.MM
AI总结 T2VTree通过树形可视化和可编辑代理计划，支持多场景视频创作中的可靠细化、局部比较和实用重用。
Kahaani：一种多模态协同创作叙事系统
机构 * Lahore University of Management Sciences（拉瓦尔大学管理科学学院） ； University of Michigan（密歇根大学） ； Strategize Labs（战略实验室）
专题命中 视频生成 ：text-to-video(abstract)
AI总结 Kahaani通过多模态技术帮助儿童提升英语能力、学习生活教训并理解故事结构，采用协同创作方式提供沉浸式教育体验。
通过谱约束的长跳连接实现稳定高效的扩散变换器
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； SKL-IOTSC, CIS, University of Macau（澳门大学SKL-IOTSC、CIS） ； Huazhong University of Science and Technology（华中科技大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 通过引入长跳连接和谱约束，Skip-DiT实现了图像和视频生成中的稳定高效扩散变换器，显著提升了训练和推理效率。
Comments 17 pages, 8 figures
Vista：面向事后查询的场景感知流视频问答优化
专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV
AI总结 Vista通过场景感知分割、压缩和召回技术，实现了高效且可扩展的流视频问答，提升了长上下文推理能力，同时保持低延迟和内存效率。
Comments Accepted to AAAI 2026 (Main Technical Track)
IM-Animation: 一种隐式运动表示用于身份解耦的角色动画
机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； Cardiff University（卡迪夫大学）
专题命中 动作与事件理解 ：video diffusion(abstract)；分类 cs.CV
AI总结 IM-Animation通过隐式运动表示和时间一致的遮罩令牌重定向模块，实现身份解耦的角色动画生成，提升动画质量和训练效率。
MARC: 用于高效视频理解的记忆增强强化学习令牌压缩
机构 * University of Bristol（布里斯托大学） ； Memories.ai Research（Memories.ai研究）
专题命中 长视频与时序推理 ：video understanding(title,abstract)；分类 cs.CV
AI总结 MARC通过结合结构化检索和强化学习知识蒸馏，实现高效视频理解，显著减少视觉令牌、GPU内存和延迟。
Comments Accepted at ICLR 2026
WorldCompass：用于长周期世界模型的强化学习
机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯混元） ； The University of Hong Kong（香港大学）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 WorldCompass通过三种创新提升长周期世界模型的交互准确性和视觉保真度。
Comments Project page: \url{https://3d-models.hunyuan.tencent.com/world/}
VideoVeritas：通过感知预设强化学习实现AI生成视频检测
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS部） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Shenzhen Institute of Advanced Technology (SIAT), Chinese Academy of Sciences（中国科学院深圳先进技术研究所）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 VideoVeritas通过感知预设强化学习提升AI生成视频检测性能，整合细粒度感知与事实推理，采用时空定位和自监督计数提升检测效果。
Comments Project: https://github.com/EricTan7/VideoVeritas
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈