Towards Reason-Informed Video Editing in Unified Models with Self-Reflective Learning
面向统一模型的基于推理的视频编辑：带有自我反思学习
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出RVE任务，通过构建RVE-Bench基准，引入自反思学习框架ReViSE，提升视频编辑的准确性和视觉质量。
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. 视频生成 2158 篇
Egocentric World Model for Photorealistic Hand-Object Interaction Synthesis
第一人称世界模型用于逼真手-物体交互合成
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Minnesota（明尼苏达大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Amazon（亚马逊） ； State University of New York at Stony Brook（纽约州立大学石溪分校）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出EgoHOI模型，通过动作信号模拟物理一致的交互，克服了高速头部运动、严重遮挡和高自由度手部运动带来的挑战，实验验证其有效性。
VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model
VGGT-World：将VGGT转变为一个自回归的几何世界模型
机构 * UQMM Lab, The University of Queensland（昆士兰大学UQMM实验室） ； Beijing Jiaotong University（北京交通大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出VGGT-World，通过自回归方法预测冻结几何基础模型特征的时空演变，提升深度预测性能并提高效率。
EVATok: Adaptive Length Video Tokenization for Efficient Visual Autoregressive Generation
EVATok: 适应性长度视频分块化以实现高效的视觉自回归生成
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 EVATok通过自适应分块器提升视频重建和自回归生成的效率与质量，实现令牌使用量减少24.4%。
Comments Accepted by CVPR 2026. Project page: https://silentview.github.io/EVATok/
See4D: Pose-Free 4D Generation via Auto-Regressive Video Inpainting
See4D: 通过自回归视频修复实现无姿态4D生成
机构 * NUS（新加坡国立大学） ； HKU（香港大学） ； CUHK（香港中文大学） ； THU（清华大学） ； Shanghai AI Lab（上海人工智能实验室） ； Horizon Robotics（地平线机器人） ； NTU（国立科技大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 See4D通过自回归视频修复实现无姿态4D生成，提升从随意视频到4D世界建模的实用性。
Comments Eurographics2026; 26 pages; 21 figures; 3 tables; project page: https://see-4d.github.io/
COMIC: Agentic Sketch Comedy Generation
COMIC：基于代理的即兴喜剧生成
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 COMIC提出了一种基于代理的自动化系统，通过LLM评论家和迭代优化生成高质量喜剧视频。
Comments Project page: https://susunghong.github.io/COMIC/
CAST: Modeling Visual State Transitions for Consistent Video Retrieval
CAST：为一致视频检索建模视觉状态转换
机构 * University of California, Santa Cruz（加州大学圣克ruz分校） ； Google（谷歌）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 CAST通过建模视觉状态转换，提升视频检索的一致性和连贯性，适用于多种视觉-语言嵌入空间。
FastSTAR: Spatiotemporal Token Pruning for Efficient Autoregressive Video Synthesis
FastSTAR: 空间时间令牌修剪用于高效的自回归视频合成
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 FastSTAR通过时空令牌修剪和部分更新机制，实现高效视频生成，在保持质量的同时提升处理速度。
CanvasMAR: Improving Masked Autoregressive Video Prediction With Canvas
CanvasMAR: 通过Canvas提升遮蔽自回归视频预测
机构 * Institute for Artificial Intelligence, Peking University, Beijing, China（人工智能研究院，北京大学，北京，中国） ； School of Intelligence Science and Technology, Peking University, Beijing, China（智能科学与技术学院，北京大学，北京，中国） ； State Key Laboratory of General Artificial Intelligence, Peking University, Beijing, China（通用人工智能国家重点实验室，北京大学，北京，中国）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 CanvasMAR通过引入canvas机制和运动感知采样顺序，提升视频生成的保真度和效率，实现更高质量的视频生成。
GenHOI: Towards Object-Consistent Hand-Object Interaction with Temporally Balanced and Spatially Selective Object Injection
GenHOI：面向对象一致性的手-物体交互方法，采用时间平衡和空间选择性的对象注入
机构 * Department of Computer Vision Technology(VIS), Baidu Inc.（百度公司计算机视觉技术部） ； Shenzhen Campus of Sun Yat-Sen University（中山大学深圳校区） ； Northwestern Polytechnical University（西北工业大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 GenHOI通过时间平衡和空间选择性的对象注入方法，提升手-物体交互在现实场景中的生成一致性与保真度。
SPARK: Jailbreaking T2V Models by Synergistically Prompting Auditory and Recontextualized Knowledge
SPARK：通过协同提示音频与重新上下文化知识实现T2V模型的劫持
机构 * State Key Laboratory of Complex \& Critical Software Environment, Beihang University ； College of Science, Mathematics ； Technology, Wenzhou-Kean University ； 360 AI Security Lab ； Faculty of Innovation Engineering, Macau University of Science ； Hong Kong University of Science ； University of Chinese Academy of Sciences
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 SPARK通过模块化提示设计，利用音频与视觉关联模式，实现对T2V模型的高效劫持，提升攻击成功率23%。
FaceCam: Portrait Video Camera Control via Scale-Aware Conditioning
FaceCam: 通过尺度感知条件化实现人像视频相机控制
机构 * University of California, Merced（加州大学梅尔塞德斯分校） ； Adobe Research（Adobe研究）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 FaceCam通过尺度感知条件化方法，提升单目人像视频的相机控制能力与视觉质量。
Comments Accepted by CVPR 2026. Project page: https://weijielyu.github.io/FaceCam
Text-to-3D by Stitching a Multi-view Reconstruction Network to a Video Generator
通过将多视角重建网络缝合到视频生成器中实现文本到3D
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 VIST3A通过将多视角重建网络缝合到视频生成器中，实现文本到3D生成，提升3D场景生成质量。
Comments ICLR 2026 (Oral), Project page: https://gohyojun15.github.io/VIST3A/
Arbitrary Generative Video Interpolation
任意生成视频插值
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 ArbInterp提出了一种可灵活调整时间戳和长度的视频帧插值框架，通过时间戳感知旋转位置嵌入和外观-运动解耦策略，实现更高效的生成与更流畅的时空过渡。
Comments ICLR 2026
StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models
StepVAR: 结构-纹理引导的视觉自回归模型剪枝
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 StepVAR通过结合结构和纹理重要性，提出无需训练的token剪枝框架，实现视觉自回归模型的高效推理加速。
RFDM: Residual Flow Diffusion Model for Efficient Causal Video Editing
RFDM: 基于残差流扩散模型的高效因果视频编辑
机构 * Samsung AI Center, Cambridge（三星人工智能中心，剑桥）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 RFDM通过残差流扩散模型实现高效因果视频编辑，超越I2I方法并竞争于全时空视频生成模型。
Comments Accepted at CVPR26
Stereo-Talker: Audio-driven 3D Human Synthesis with Prior-Guided Mixture-of-Experts
立体说话者：基于优先级的混合专家引导的音频驱动3D人类合成
机构 * Department of Automation, Tsinghua University（自动化系，清华大学） ； Bytedance Inc.（字节跳动公司） ； State Key Laboratory of Media Convergence and Communication, Communication University of China（媒体融合与传播国家重点实验室，中国传媒大学） ； School of Artificial Intelligence, Beijing Normal University（人工智能学院，北京师范大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Stereo-Talker通过优先级引导的混合专家机制实现音频驱动的3D人类合成，生成具有精确唇同步和逼真质量的视频。
Journal ref TPAMI 2025
UniFuture: A 4D Driving World Model for Future Generation and Perception
UniFuture: 一个面向未来生成与感知的4D驾驶世界模型
机构 * Huazhong University of Science and Technology（华中科技大学） ； Baidu Inc.（百度公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 UniFuture通过统一4D建模提升自动驾驶中的未来生成与几何感知能力。
Comments Accepted by ICRA 2026
Solaris: Building a Multiplayer Video World Model in Minecraft
Solaris：在Minecraft中构建多玩家视频世界模型
机构 * New York University（纽约大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Solaris通过多玩家数据系统和分阶段训练方法，在Minecraft中构建了能模拟多视角观测的视频世界模型，提升了多代理交互的建模能力。
Comments Project website: https://solaris-wm.github.io/
World Simulation with Video Foundation Models for Physical AI
基于视频基础模型的世界模拟用于物理AI
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Cosmos-Predict2.5和Cosmos-Transfer2.5通过统一生成和增强的模拟能力，推动物理AI领域的发展。
Improving Motion in Image-to-Video Models via Adaptive Low-Pass Guidance
通过自适应低通引导改进图像到视频模型中的运动
机构 * KAIST（韩国科学技术院）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 本研究提出自适应低通引导方法，通过调整图像频率内容提升图像到视频生成的动态效果，同时保持图像质量和文本对齐度。
Comments Project page: http://choi403.github.io/ALG
Narrating For You: Prompt-guided Audio-visual Narrating Face Generation Employing Multi-entangled Latent Space
为你叙述：基于多纠缠潜在空间的提示引导音频视觉叙述面部生成
机构 * Machine Intelligence Group, Department of CS&IS, BITS Pilani, Hyderabad Campus, India（机器智能组，计算机科学与信息学系，比斯汉学院海得拉巴校区，印度） ； Georgia Institute of Technology, USA（佐治亚理工学院，美国）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出了一种基于多纠缠潜在空间的音频视觉叙述面部生成方法，通过合成静态图像、语音档案和目标文本来生成逼真的说话面孔。
Comments To appear in the Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026. Presented at Poster Session 1
Tuning-free Visual Effect Transfer across Videos
无需调优的视频间视觉效果转移
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Snap Research（Snap研究）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 RefVFX通过大规模数据集和自动化流程，实现了无需调优的视频间视觉效果转移，提升了动态时序效果的编辑效果。
Comments Project Page: https://snap-research.github.io/RefVFX/
U-MARVEL: Unveiling Key Factors for Universal Multimodal Retrieval via Embedding Learning with MLLMs
通过嵌入学习与大语言模型揭示通用多模态检索的关键因素：U-MARVEL
机构 * Tencent PCG（腾讯PCG） ； Nanjing University（南京大学） ； ByteDance（字节跳动）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 U-MARVEL通过嵌入学习与大语言模型揭示通用多模态检索的关键因素，实现超越现有方法的性能。
Comments Accepted to ICLR 2026
Journal ref International Conference on Learning Representations (ICLR), 2026
Hand2World: Autoregressive Egocentric Interaction Generation via Free-Space Hand Gestures
Hand2World: 通过自由空间手势生成自主回归的视角交互
机构 * College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Hand2World通过自由空间手势生成视角交互，利用自回归框架解决遮挡、相机运动解耦和长视频生成问题，提升视觉生成的质量与稳定性。
ReTracing: An Archaeological Approach Through Body, Machine, and Generative Systems
ReTracing：通过身体、机器和生成系统进行考古学研究
机构 * Department of Machine Learning（机器学习系） ； Carnegie Mellon University（卡内基梅隆大学） ； SIPA Technology Policy and Innovation（技术政策与创新研究所） ； Columbia University（哥伦比亚大学）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 ReTracing通过AI、人类和机器人互动，探索生成系统如何通过编舞运动反映社会文化偏见。
Learning Physics-Grounded 4D Dynamics with Neural Gaussian Force Fields
基于神经高斯力场的学习物理 grounded 4D 动力学
机构 * Institute for AI, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理学与认知科学学院） ； School of EECS, Peking University（北京大学电子工程学院） ； Department of Automation, Tsinghua University（清华大学自动化系） ； Yuanpei College, Peking University（北京大学元培学院） ； State Key Lab of General AI, Peking University（北京大学通用人工智能国家重点实验室） ； Beijing Key Laboratory of Behavior and Mental Health, Peking University（北京行为与心理健康重点实验室）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出神经高斯力场（NGFF），通过结合3D高斯感知与物理动力学建模，从多视角RGB输入生成交互式、物理真实的4D视频，提升视频预测的物理 grounded 性。
Comments 43 pages, ICLR 2026
T2VTree: User-Centered Visual Analytics for Agent-Assisted Thought-to-Video Authoring
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。
Phaedra: Learning High-Fidelity Discrete Tokenization for the Physical Science
Phaedra: 学习高保真离散标记化以用于物理科学
机构 * ETH AI Center（苏黎世联邦理工学院人工智能中心） ； IBM Research Europe（IBM欧洲研究院） ； Seminar for Applied Mathematics, ETH Zurich（苏黎世联邦理工学院应用数学系） ； Swiss Data Science Center, ETH Zurich（瑞士数据科学中心，苏黎世联邦理工学院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Phaedra通过结合经典形状增益量化和正交分解，改进了科学图像的高保真离散标记化，提升PDE数据的重建和泛化能力。
Comments 57 pages, 27 figures
Making Avatars Interact: Towards Text-Driven Human-Object Interaction for Controllable Talking Avatars
让拟人化角色互动：面向文本驱动的人-物体交互的可控对话拟人化
机构 * Tsinghua University（清华大学） ； Tencent HY（腾讯）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出InteractAvatar框架，通过双流结构实现文本驱动的人-物体交互生成，解决环境感知与控制质量矛盾，建立GroundedInter基准验证方法有效性。
