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。
PhysisForcing：面向机器人操作的物理增强世界模拟器
机构 * Peking University（北京大学） ； NVIDIA（英伟达）
专题命中 视频生成 ：video generation(abstract)；video understanding(abstract)；分类 cs.CV
AI总结 针对视频生成模型在机器人操作模拟中物理不稳定的问题，提出PhysisForcing框架，通过像素级轨迹对齐和语义级关系对齐损失联合优化，显著提升物理一致性，在多个基准上改进基础模型，并提高下游策略成功率。
Comments Github: https://github.com/DAGroup-PKU/PhysisForcing Project website: https://dagroup-pku.github.io/PhysisForcing.github.io/#
Disco-LoRA：内容、风格和运动的解耦组合用于多概念视频定制
机构 * Nanjing University of Posts and Telecommunications（南京邮电大学） ； Hefei University of Technology（合肥工业大学） ； Peng Cheng Laboratory（鹏城实验室）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出Disco-LoRA框架，通过两阶段解耦和重组内容、风格和运动概念，实现多概念视频定制，并采用Z-score正则化协调LoRA权重分布。
通过身份-动作解耦定制视频肖像
机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； The University of Hong Kong（香港大学）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出身份-动作解耦框架，通过身份解耦损失和文本对齐损失，无需微调即可生成保持身份一致且表情丰富的视频。
GEOPHYS: 物理合理性的几何学
机构 * Bielefeld University（比勒费尔德大学） ； University of Oxford（牛津大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Independent（独立作者） ； Honda Research Institute EU（本田欧洲研究院） ； New York University（纽约大学） ； Flatiron Institute, Simons Foundation（西蒙斯基金会熨斗研究所）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出GEOPHYS方法，利用冻结图像编码器的每帧嵌入的五个几何特征检测视频中的物理不合理性，在物理违反检测上达到SOTA，并作为验证器提升视频生成模型的物理一致性。
SketchKeyAnime：基于参考锚点的稀疏关键草图动画合成
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出SketchKeyAnime视频扩散框架，通过双分支条件机制和可学习门控的草图交叉注意力，从单张参考RGB图像和稀疏关键草图生成结构可控、外观一致且时间连贯的动画，在Sakuga-42M数据集上显著优于基线方法。
LooseControlVideo: 使用空间分块进行导演式视频控制
机构 * Adobe Research（Adobe研究院）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出LooseControlVideo框架，通过稀疏定向3D框作为“分块”代理，实现文本到视频生成中多对象场景的直观布局与轨迹控制，显著优于现有2D框和流方法。
Comments Project page at https://shariqfarooq123.github.io/LooseControlVideo/
通过噪声放大揭示伪影：AI生成视频检测的新视角
机构 * School of Cyber Science and Engineering, Southeast University（东南大学网络空间安全学院） ； Purple Mountain Laboratories（紫金山实验室） ； Engineering Research Center of Blockchain Application, Supervision And Management (Southeast University), Ministry of Education（教育部区块链应用监管工程研究中心（东南大学）） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（教育部新一代人工智能技术及其跨学科应用重点实验室（东南大学））
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 针对AI生成视频检测难题，提出基于位平面的噪声放大方法，通过像素级强度增强、区域级空间放大和帧级时间聚合，在GenVidBench和HardGVD基准上超越现有方法。
Comments 13 pages, 5 figures
OmniGen-AR: 自回归任意到图像生成
机构 * Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究所） ； Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心） ； Bytedance Seed（字节跳动Seed） ； The University of Hong Kong（香港大学）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出统一自回归框架OmniGen-AR，通过共享视觉分词器和解耦因果注意力，支持文本、空间信号和视觉上下文等多种条件输入，在多项基准上达到最优或竞争性能。
Comments Accepted by NeurIPS
基于参考引导深度压缩VAE的流式说话人肖像视频实时生成
机构 * Microsoft Research（微软研究院） ； Microsoft AI（微软人工智能）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出一种结合因果视频VAE和自回归潜在去噪模型的流式说话人肖像视频生成框架，通过参考图像引导实现实时高质量生成。
Comments CVPR 2026 (Highlight) Camera ready
VideoCanvas: 通过上下文条件化从任意时空补丁进行统一视频补全
机构 * MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； Kling Team, Kuaishou Technology（快手技术有限公司Kling团队）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出VideoCanvas框架，通过混合条件化策略（空间上使用零填充全帧画布编码，时间上使用Temporal RoPE插值）实现任意时空视频补全的统一任务，无需修改或重新训练VAE。
Comments Project page: https://onevfall.github.io/project_page/videocanvas
Φ-Noise：基于相位噪声操作的无训练时间视频条件生成
机构 * Canvas-Lab
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出一种无需训练的方法，通过将参考视频的低频相位信息注入扩散噪声潜变量，实现运动条件视频生成，无需修改模型架构或推理流程。
Comments Under Review; 26 pages, 21 figures
Tiny-Engram: 生成视觉中的触发索引概念表
机构 * AutoArk-AI
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出Tiny-Engram，一种紧凑的触发索引概念表，通过显式地为视觉记忆分配词汇地址和激活边界，实现对冻结图像和视频生成器中的概念的控制。该方法通过注册的n-gram匹配索引参数化每个概念，仅在匹配触发区域调节文本编码器的隐藏状态，从而在保持周围提示的组合控制的同时，将罕见触发短语绑定到目标身份。
Motif-Video 2B：技术报告
机构 * Motif Technologies（Motif技术公司）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 该研究探讨在有限预算下是否能够训练出高质量的文本到视频生成模型，提出通过架构设计而非单纯扩大模型规模来提升性能，结合共享交叉注意力和三部分主干网络，实现了在较少参数和数据下的高质量视频生成。
StreamingEffect: 实时以人为中心的视频效果生成
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室）
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StreamingEffect框架，通过实时视频到视频编辑技术，在保持人类身份、背景内容和时间一致性的同时添加表现性效果，并构建了最大的以人为中心的视频效果数据集VideoEffect-130K，实现了单块H200 GPU上的实时高质量720p视频编辑。
通过轨迹感知缓存加速修正流模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Academy of Military Science（军事科学院） ； Huawei Technologies Ltd（华为技术有限公司）
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TACache框架，通过轨迹感知缓存技术，在无需训练的情况下加速生成高保真图像和视频，通过分解速度场并补偿误差，实现更高的采样速度。
Comments 22 pages,14 figures
探究视频模型的摄像机控制
机构 * Visual Geometry Group University of Oxford（视觉几何组牛津大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出通过几何引导而非隐式映射实现摄像机控制，有效提升视频生成模型的几何表现力，并揭示了基础模型的摄像机控制偏见与差异。
通过语义表示对齐提升人类图像动画
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University, China（上海交通大学人工智能学院，中国） ； Alibaba Group, China（阿里巴巴集团，中国）
专题命中 视频生成 ：video generation(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出SemanticREPA方法，通过结构和ID对齐提升人类动画质量，增强动作连续性和一致性。
Comments Accepted by CVPR 2026 workshop
PhyCo：学习可控制的物理先验以生成运动
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； UC San Diego（圣地亚哥大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 PhyCo通过整合物理可控的生成模型，实现了在视频生成中物理一致性和可控性的提升，无需模拟器或几何重建。
Comments CVPR 2026. Project Page: https://phyco-video.github.io/
PISCO：具有稀疏控制的精确视频实例插入
机构 * Stanford University（斯坦福大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出PISCO模型，通过稀疏关键帧控制实现精确视频实例插入，解决传统视频编辑中对空间时间定位、物理一致性及动态保持的挑战，采用变量信息引导和分布保持时间遮罩技术提升生成稳定性。
相位DMD：通过在子区间内进行分数匹配实现少步分布匹配蒸馏
机构 * SenseTime Research（商汤科技研究院） ； Beihang University（北航大学）
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Phased DMD，一种多步蒸馏框架，结合分步蒸馏与专家混合（MoE），提升模型容量并减少学习难度，通过分步分布匹配和子区间内分数匹配改进生成多样性与视觉保真度。
RealMaster: 将渲染场景提升为逼真视频
机构 * Tel Aviv University（特拉维夫大学） ； Reality Labs, Meta（Meta现实实验室） ； Technion Israel（技术学院以色列）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 RealMaster通过视频扩散模型将渲染视频提升为逼真视频，保持与3D引擎输出的精确对齐，同时通过IC-LoRA训练实现高质量输出和泛化能力。
Comments Project page: https://danacohen95.github.io/RealMaster/
TrajLoom：从视频生成密集未来轨迹
专题命中 视频生成 ：video generation(abstract)；video understanding(abstract)；分类 cs.CV
AI总结 本文提出TrajLoom框架，通过过去轨迹和视频上下文预测未来轨迹和可见性，采用Grid-Anchor Offset Encoding、TrajLoom-VAE和TrajLoom-Flow三种组件，扩展预测时间范围并提升轨迹真实性和稳定性。
Comments Project page, code, model checkpoints, and datasets: https://trajloom.github.io/
P-Flow：提示视觉效果生成
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室）
专题命中 视频生成 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 P-Flow通过测试时提示优化，基于参考视频与生成输出的视觉效果差异，迭代改进提示，实现高保真且多样化的动态视觉效果定制。
无需训练的视频内容、动作和动态编辑
机构 * Google DeepMind（谷歌DeepMind） ； Technion -- Israel Institute of Technology（技术ion-以色列理工学院） ； The Weizmann Institute of Science（魏茨曼科学研究院）
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DynaEdit方法，无需训练即可实现复杂的视频编辑，通过预训练文本到视频流模型，解决现有方法在编辑动作和动态事件时的局限性。
Comments Project page at https://dynaedit.github.io/
生成任意场景：基于场景图的数据合成用于视觉生成训练
机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
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Generate Any Scene，通过系统生成场景图来合成高质量数据，用于提升视觉生成模型的合成能力与语义对齐。
Comments ICLR 2026
MapReduce LoRA：在生成模型多偏好优化中推进帕累托前沿
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MapReduce LoRA和RaTE方法，通过并行训练偏好特定的LoRA专家和学习奖励特定的token嵌入，提升生成模型在多偏好优化中的性能，实验显示在文本到图像、文本到视频及语言任务中均取得显著改进。
Comments CVPR 2026; Code: https://github.com/SHI-Labs/MapReduce-LoRA
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。
许多对许多：统一多个视频和图像生成与操控任务的训练
机构 * ByteDance（字节跳动） ； The Hong Kong Polytechnic University（香港理工大学）
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。
基于图像-语言基础模型的图像到视频迁移学习：全面综述
机构 * School of Computer Science and Engineering, Sun Yat-sen University（计算机科学与工程学院，中山大学）
专题命中 视频生成 ：video understanding(abstract)；video-language(abstract)；分类 cs.CV
AI总结 本文综述了基于图像-语言基础模型的图像到视频迁移学习，系统分类了现有技术并分析了其在视频-文本任务中的应用与挑战。
Comments Updated version, github repository is available at https://github.com/YuriPreisdent/awesome-image-to-video-transfer
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