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。
RIDGE：用于长视频理解的区域感知导数引导证据选择
机构 * Huazhong University of Science and Technology（华中科技大学） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学）
专题命中 视频理解 ：long video(title,abstract)；video understanding(title)；分类 cs.CV
AI总结 针对长视频理解中视觉内容超出LVLM固定token预算的问题，提出RIDGE框架，通过将帧-查询相似性曲线作为时间信号划分区域并选择证据，在多基准和主干上取得最优性能。
Comments EMNLP 2026
用于流视频理解的动态轮辐式记忆
机构 * Northeastern University（东北大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Tulane University（杜兰大学） ； University of Virginia（弗吉尼亚大学） ； Adobe Research（奥多比研究院）
专题命中 视频理解 ：video understanding(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 针对流视频理解需同时紧凑记忆长程历史与高效检索相关证据的挑战，提出动态轮辐式记忆（D-HSM）框架，结合结构化文本记忆与近期视觉标记，在基准上提升VLM性能并优于现有基线。
Comments Accepted to Findings of EMNLP 2026
通过结构化视频提示提升视频-语言模型的时空推理能力
机构 * Sharif University of Technology（谢里夫理工大学）
专题命中 视频理解 ：video-language(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 该研究提出无需训练的结构化视频提示方法，在推理时通过为视频添加时空结构锚点，提升视频-语言模型在时空推理任务上的性能，为改进视频理解提供了实用方向。
面向点云视频理解的运动显著性互补掩码建模
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； State Key Laboratory of Intelligent Geotechnics and Tunnelling (FSDI)（智能岩土与隧道工程国家重点实验室） ； School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； School of Information and Communication Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院）
专题命中 视频理解 ：video understanding(title)；分类 cs.CV
AI总结 该研究提出MoSaiC框架，结合CMSM、NFM、CTCP组件实现自监督点云视频表示学习，在多个下游任务上验证了方法的有效性。
DVBench：用于评估多模态大语言模型（MLLMs）理解数据视频中动态图表与叙事的基准
机构 * Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 视频理解 ：video understanding(abstract)
AI总结 本研究推出DVBench基准，评估MLLMs在结合动态图表与叙事的数据视频理解上的表现，发现开源模型性能不严格随参数规模扩展等现象，为MLLM发展提供参考。
NoisEasier：用于文本到视频生成的测试时噪声优化
机构 * Michigan State University（密歇根州立大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV
AI总结 本研究提出NoisEasier框架，通过测试时噪声优化提升文本到视频生成的组合对齐效果，在多数据集实验中取得超10%平均增益，为可控文本到视频生成提供有效新范式。
Comments Accepted to ECCV 2026
DreamX-Creator：实现2K分辨率原生音视频生成的民主化
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 DreamX-Creator 1.0是基于7B生成器的紧凑原生联合音视频生成系统，通过多阶段训练与2K细化流水线实现2K分辨率同步音视频生成，性能达开源先进水平，旨在推动该领域研究民主化。
CineForge：用于长时序视频生成的自改进智能体
机构 * Tongji University（同济大学） ； Kuaishou Technology（快手科技） ； Fudan University（复旦大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本研究提出CineForge框架，结合CineForge-Produce与CineForge-Evolve，通过CPPE策略演进机制提升长时序故事驱动视频生成效果，在CineScope指标及基准测试中表现优于现有方法，减少了审查LLM调用量。
SNF-Bench：分离长视野固定相机视频生成中的静态漂移与自然流动
机构 * Sogang University（西江大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 SNF-Bench 是针对长视野固定相机视频生成的评估框架，可分离静态漂移与自然流动，实验发现全帧运动与静态区域漂移对输出排序几乎相反，其指标能针对性评估对应因素。
Comments Project page: https://minar09.github.io/snfbench/
跳舞的简笔画人物：用于训练视频生成模型的入门级数据集
机构 * Sprited（斯普里特公司） ； Dataset（数据集机构）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 本文针对视频生成模型训练的反馈循环长、数据难获取、评分粗糙三大痛点，构建了跳舞的简笔画人物数据集，该数据集规模适配单GPU训练，提供低预算训练流程，且含丰富标注以支持精准评估。
Comments 9 pages, 4 figures. Dataset, code, reference models, and Colab notebook are linked from the paper
光子时间处理器中的人工智能
专题命中 视频生成 ：video generation(abstract)
AI总结 该研究提出光子时间处理器，通过时空对偶性实现可扩展的光学神经网络，完成分类、图像视频生成等任务，性能优于现有系统，为下一代机器智能提供了新途径。
文本到视频扩散模型对硬件故障的鲁棒性研究
机构 * Oregon State University（俄勒冈州立大学）
专题命中 视频扩散模型 ：text-to-video(title,abstract)；video diffusion(title)；video generation(abstract)
AI总结 本研究首次系统性探究文本到视频（T2V）扩散模型对硬件故障的鲁棒性，发现单个故障可降低性能、改变语义，内存故障危害更大，揭示了已部署T2V系统的可靠性风险。
Comments Accepted to ICML 2026 Workshop on From Frames to Stories (F2S)
基于诊断引导候选回收的视频扩散模型测试时缩放
机构 * Peking University（北京大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 该研究针对视频扩散模型测试时缩放的“生成-丢弃”范式缺陷，提出无需训练的 GEARS 框架，通过阶段感知调度器与候选回收器提升轻量模型性能，在 VBench 上使 13 亿参数模型得分接近 140 亿参数模型。
Comments Accepted by ACM TOG (SIGGRAPH Asia 2026)
基于BaryCache的内存高效无训练扩散Transformer加速方法
机构 * College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 本研究提出无训练加速方法BaryCache，采用重心外推器缓解扩散Transformer采样的振荡伪影，在图像与视频生成中实现最高3.30倍采样加速，兼顾内存与感知质量。
Comments Accepted by ICITES 2026
用于视频推理的多智能体自增强强化学习
机构 * Lanzhou University（兰州大学） ； National University of Singapore（新加坡国立大学）
专题命中 视频问答 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 该研究提出结合可训练Grounder与冻结Verifier的多智能体强化学习框架，在20亿参数规模下实现视频推理任务零样本迁移，相关指标优于同等规模基线，验证了冻结验证作为证据选择训练信号的有效性。
SocialReasonBench：基于反事实叙事视频的社会推理视频问答基准
机构 * AAII, University of Technology Sydney（悉尼科技大学AAII（先进人工智能研究所）） ； Northeastern University（东北大学） ； Fudan University（复旦大学） ； University of Liverpool（利物浦大学）
专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV
AI总结 研究人员推出SocialReasonBench基准，评估LMMs的社会推理能力，发现其在反事实和因果推理上表现不佳，凸显了模型在潜在社会状态推理上的不足。
Comments Accepted to Findings of EMNLP 2026. 24 pages, 11 figures, 11 tables
CAER：面向世界模型训练的因果动作效应重加权
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 针对现有动作条件世界模型训练中交互动态未充分优化的问题，提出CAER范式，通过在线定位动作因果影响的令牌并重加权，提升了生成视频的物理一致性、可控性与视觉质量。
Comments 14 pages, 8 figures. Project page: https://manifoldai-research.github.io/CAER/
Matrix-Game 3.5：利用补丁内存增强实时流式交互式世界模型
机构 * Riemann Dynamics（黎曼动力学）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 Matrix-Game 3.5通过三项关键改进优化交互式世界模型，实现稳定长时序实时交互式生成，在多类任务上表现出色。
Comments https://matrix-game-v3-5.github.io/
ClearText-Video：连接视频修复与场景文本增强的大规模以文本为中心的视频数据集
机构 * OPPO US AI Center（OPPO美国人工智能中心） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
专题命中 视频数据与评测 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 研究团队推出ClearText-Video数据集，评估发现视觉增强未必提升文本推理，仅OCR管道远逊于多模态推理，为相关系统提供基础。
Comments This paper is accepted by 2026 Proceedings of the European Conference on Computer Vision
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