视频大模型 - arXivDaily 专题

2608.20749 2026-08-24 cs.CV 新提交 86%

Identity-Preserving Text-to-Video Generation via Agentic Enhancement and Semantic Repair

通过智能体增强与语义修复实现身份保留的文本到视频生成

Jiayi Gao, Changcheng Hua, Jiaqi Tang, Yuxin Peng, Yang Liu

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）

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

AI总结针对现有商业视频生成模型的身份漂移等缺陷，提出AESR轻量级框架，含智能体提示增强与视觉语义修复模块，搭配混合专家选择策略，其系统MIPL_Video在ACM MM 2026挑战赛赛道1获第一

2608.20534 2026-08-24 cs.CV 新提交 79%

Grounded-Exo2Ego: Structured Semantic Grounding for Robust Exocentric-to-Egocentric Video Generation

Grounded-Exo2Ego：用于鲁棒外部视角到自我视角视频生成的结构化语义 grounding

Shengze Wang, Michael Stengel, Tianye Li, Seonwook Park, Amrita Mazumdar, Koki Nagano, Alex Trevithick, Shalini De Mello

机构 * NVIDIA（英伟达）

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

AI总结本文提出Grounded-Exo2Ego框架，通过双分支视频扩散模型、相机重定位算法和自动合成数据引擎，在EgoExo4D数据集上大幅提升了外部视角到自我视角视频生成的性能。

Comments website url: this https URL (https://research.nvidia.com/labs/amri/projects/grounded-exo2ego/)

2602.06159 2026-08-24 cs.CV 版本更新 70%

Driving with DINO: Vision Foundation Features as a Unified Bridge for Sim-to-Real Generation in Autonomous Driving

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

Xuyang Chen, Conglang Zhang, Chuanheng Fu, Zihao Yang, Kaixuan Zhou, Yizhi Zhang, Yanfeng Zhang, Mingwei Sun, Zhen Dong, Xiaoxiao Long, Zengmao Wang, Liqiu Meng

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 Accepted to ACM MM 2026

2608.20770 2026-08-24 cs.CV 新提交 57%

MotionPhys: Detecting AI-Generated Videos via Physical Consistency of Optical-Flow Trajectories

MotionPhys：基于光流轨迹物理一致性检测AI生成视频

Haojin He, Hao Tan, Zichang Tan, Ajian Liu, Jun Wan

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

AI总结 MotionPhys是基于光流轨迹物理一致性的轻量可解释框架，可检测AI生成视频的物理运动不一致性，且对不同视频生成器泛化性良好。

2608.14790 2026-08-24 cs.CV 版本更新 57%

Instruction-Based Video Editing by Repurposing an Image Editing Model

Qwen-Video-Edit：通过复用图像编辑模型实现基于指令的视频编辑

Yunpeng Bai, Yossi Gandelsman, Michaël Gharbi, Qixing Huang

机构 * UT Austin（德克萨斯大学奥斯汀分校）； Reve（Reve公司）

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

AI总结该研究提出Qwen-Video-Edit，通过复用Qwen-Image-Edit图像编辑模型，经少量适配实现基于指令的视频编辑，证明图像编辑先验可迁移至视频编辑任务。

Comments Project Page: this https URL (https://yunpeng1998.github.io/Qwen-Video-Edit-Page) Code: this https URL (https://github.com/yunpeng1998/Qwen-Video-Edit) Model: this https URL (https://huggingface.co/yunpeng1998/Qwen-Video-Edit)

2606.13971 2026-08-24 cs.CV 版本更新 57%

Prompt2Effect: Training-Free Image-to-Video Model Specialization via LoRA Generation

Prompt2Effect: 通过LoRA生成实现免训练图像到视频模型特化

Xiaomeng Yang, Yanyu Li, Gordon Guocheng Qian, Ivan Skorokhodov, Viacheslav Ivanov, Avalon Vinella, Xuan Zhang, Yanzhi Wang, Sergey Tulyakov, Anil Kag

机构 * Northeastern University（东北大学）； Snap Inc.（Snap公司）