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。
DVG-WM：解耦视频生成实现高效机器人操作具身世界模型
机构 * Nanyang Technological University, Singapore（南洋理工大学（新加坡）） ； Beijing University of Posts and Telecommunications, Beijing, China（北京邮电大学（中国北京）） ； GigaAI
专题命中 视频生成 ：video generation(title,abstract)
AI总结 提出解耦视频生成世界模型（DVG-WM），将世界模型分解为动力学学习和视觉合成，通过流匹配直接映射动力学到视频潜变量，并引入潜变量退化机制再生接触细节，在LIBERO和真实平台实现高达3.97倍加速。
推荐即生成：在工业规模上统一个性化视频生成与推荐
专题命中 视频生成 ：video generation(title,abstract)
AI总结 提出推荐即生成（RaG）范式，通过共享语义ID统一生成式推荐与视频生成，实现个性化视频按需生成，并在工业平台部署，广告收入提升1.87%。
Comments Project page: https://recommendation-as-generation.github.io/
基于世界模型的视频生成中物理一致性的无参考评估
机构 * Hanyang University ERICA（汉阳大学ERICA校区）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 提出结合相对与绝对方法的无参考度量，用于评估生成视频的物理一致性，无需人工投票或真实参考，通过DROID-SLAM和SEA-RAFT量化不一致性，过滤后视频任务成功率提升超8%，并实现时空定位。
Comments Accepted to the 2nd 3D-LLM/VLA Workshop, CVPR 2026
TurboServe: 高效经济地服务流式视频生成
专题命中 视频生成 ：video generation(title,abstract)
AI总结 针对流式视频生成的会话时长和用户需求异构性，提出TurboServe系统，通过在线调度联合优化会话放置与GPU配置，采用迁移感知放置和负载驱动自动缩放，降低延迟和成本。
自适应资源管理与质量控制用于流式视频生成
专题命中 视频生成 ：video generation(title,abstract)
AI总结 针对自回归扩散Transformer在实时流式视频生成中的播放连续性SLO，提出基于播放余量的服务系统SlackServe，通过三级优先级队列、重新归位和弹性序列并行重新分配资源，并在质量下限下通过双模帕累托路由选择每块保真度配置，显著提升QoE并降低首块延迟。
帮助图表讲述它们的故事！基于论文的视频生成解释复杂科学图表
机构 * University of Maryland, College Park（马里兰大学学院市分校）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 提出MINARD流水线，从图表及其论文生成基于区域分解的叙述性视频，并发布FigTalk基准，在自动和人工评估中优于现有方法。
Comments Webpage: https://minard.vercel.app/
VICX: 通过视频生成和上下文操作网络实现可泛化的机器人操作
机构 * National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(title,abstract)
AI总结 提出VICX框架，利用冻结视频生成模型生成视觉计划，并通过视频到轨迹的上下文操作网络（V2T-ICON）将其映射为机器人可执行轨迹，实现跨任务、跨本体泛化。
Comments The first two authors contributed equally to this work
RigidBench：评估视频生成模型中的刚体物理效果
机构 * University of Cambridge（剑桥大学）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 该研究提出基于模拟器的RigidBench基准，评估视频生成模型的刚体物理效果，分析8个模型的表现，用5000个训练视频微调Wan 2.2 TI2V-5B并揭示其表征物体位置的机制。
Comments 30 pages, including appendices. Code: https://github.com/swarnim-j/RigidBench. Dataset: https://doi.org/10.5281/zenodo.21649156
Alpha作为效率信号：可见性路由的RGBA图像到视频生成
机构 * ByteDance（字节跳动）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 针对游戏RGBA视频生成的数据集与效率问题，提出可见性路由的RGBA视频生成模型，实现了更低FVD与1.2倍推理加速，质量下降可忽略。
Vorch-IR：长视频统一多模态身份替换生成模型
机构 * Vorch Team（Vorch团队） ； Fudan University（复旦大学）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 Vorch-IR是基于LTX2的统一多模态视频身份替换框架，支持单人、双人身份及可选背景替换，通过自动数据构建流水线与时间重叠推理策略，实现长视频生成，在身份保留、动作保真等方面表现出色。
Comments Project page: https://vorch-project.github.io/Vorch-IR-project/
Vera：身份忠实的人类主体到视频生成
机构 * Kuaishou Technology（快手科技） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tsinghua University（清华大学）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 针对主体到视频生成中人类身份一致性不足问题，提出Vera框架，通过构建百万对身份对齐数据集，引入身份聚焦掩码监督和参考感知分层注意力两种设计，提升了身份一致性、主体绑定及运动自然性等。
MultiRef-Compass：迈向多参考到音频-视频生成的综合评估
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 研究针对多参考到音频-视频生成设置，引入MultiRef-Compass基准。通过可扩展管道构建350个样本，定义含四个维度14个子指标的评估协议，集成自动指标与MLLM评判框架，实验表明该基准对MR2AV研究有重要意义。
Comments 32 pages
几何互易性：解锁立体视频生成的自监督能力
机构 * Visual AI Lab, The University of Hong Kong, Hong Kong, China（香港大学视觉人工智能实验室）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 针对单目转立体任务中立体修复依赖稀缺标注数据的问题，提出几何互易性定理，构建自监督框架，从海量单目视频学习，性能远超现有无监督、监督SOTA方法。
Comments Accepted to ICML 2026. Project page: https://visual-ai.github.io/grt/
Qwen-RobotWorld技术报告：通过语言条件视频生成统一具身世界模型
机构 * Qwen Team（Qwen团队）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 提出Qwen-RobotWorld，一种以自然语言为统一动作接口的语言条件视频世界模型，通过双流MMDiT、大规模具身世界知识语料和渐进式课程训练，在机器人操作、自动驾驶等任务中实现物理一致的未来视觉轨迹预测，在多个基准上取得最优结果。
Avatar V：缩放视频参考的化身视频生成
机构 * HeyGen Research（HeyGen 研究院）
专题命中 视频生成 ：video generation(title)；分类 cs.CV
AI总结 提出Avatar V框架，通过视频参考条件化身份建模，利用稀疏参考注意力机制实现长视频线性复杂度条件化，结合运动表示流和身份感知超分辨率精炼器，生成无限时长1080p视频，在身份保持、唇形同步和质量上超越现有方法。
Comments 31 pages, 15 figures. All contributors are listed in alphabetical order by first name
闭环三元组协同生成用于长视频
机构 * University of Science and Technology of China（中国科学技术大学） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 视频生成 ：video generation(abstract)；long video(abstract)；分类 cs.CV、cs.MM
AI总结 提出CoTriSyGen框架，通过闭环视觉-文本-记忆协同过程，结合分析器进行镜头内和镜头间修正，解决长视频生成中的身份漂移和不一致问题。
GenVid2Robot：通过刚性几何一致性从视频生成到机器人操作
机构 * School of Automation, Guangdong University of Technology（广东工业大学自动化学院） ； University of Liverpool（利物浦大学） ； Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算学系） ； State Key Laboratory of Submarine Geoscience, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学海洋地球科学国家重点实验室，自动化与智能感知学院）
专题命中 视频生成 ：video generation(title)
AI总结 研究旨在将生成视频转换为机器人可执行操作轨迹。核心方法是GenVid2Robot框架，通过采样语义锚点、跟踪验证运动等步骤实现。主要贡献是提高了生成视频引导操作的可靠性，通过多种手段建立视觉运动先验。
Comments Preprint
基于同步感知跨模态稀疏注意力的高效视听生成
机构 * Alibaba Group（阿里巴巴集团） ； Alibaba Cloud Computing（阿里巴巴云计算） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视频生成 ：video generation(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出同步感知加速框架，通过受保护的稀疏注意力策略在保留视听生成质量与同步性的同时提升推理效率。
上下文匹配蒸馏：用于自回归视频蒸馏的教师因果性
机构 * NVIDIA（英伟达） ； University of Surrey（萨里大学）
专题命中 视频生成 ：video generation(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出上下文匹配蒸馏（CMD）框架，解决现有视频蒸馏中教师监督与学生因果信息集不一致的问题，实现了自回归视频生成的最先进性能及对相机控制的更好依从性。
Comments Project Page: https://hmrishavbandy.github.io/cmd-site/
观看合成视频：针对零样本视频字幕生成的视觉合成跨模态表征对齐
机构 * School of Software, Northwestern Polytechnical University（西北工业大学软件学院） ； School of Information Science and Technology, Beijing University of Technology（北京工业大学信息科学与技术学院） ； 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） ； School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
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WSV零样本视频字幕生成框架，通过文本到视频生成模型、抛光器、提示器弥合跨模态差距，在三个公开数据集上取得了B@4 52、CIDEr 95.7的成绩。
Surg-UniWorld：具有多模态控制专家的统一外科世界模型
机构 * The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； the University of Sydney（悉尼大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本研究提出Surg-UniWorld统一外科世界模型，构建Chlec80-SurgWAM基准，经实验证实其在可控外科视频生成相关指标上优于现有方法。
LeapTalk：打破说话头生成中的延迟-质量权衡
专题命中 视频生成 ：video generation(abstract)；long video(abstract)；分类 cs.CV
AI总结 LeapTalk是一种新型说话头生成框架，通过单步前向传播结合数据到数据传输、异质蒸馏与音频驱动无分类器引导，实现了200 FPS的稳定实时生成，打破了延迟-质量权衡。
ReBind：通过具有显式参考关系的结构化指令进行多参考视频编辑
机构 * HKUST（香港科技大学） ； Kling Team（克林团队） ； NJU（南京大学） ； UCAS（中国科学院大学） ； PKU（北京大学） ； HKU（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 研究针对多参考图像条件视频编辑中现有方法难以协调多视觉源信息的问题，提出ReBind框架，通过带嵌入参考令牌的语义指令及两阶段渐进方案学习建立显式绑定，实现轻量级适配，在指令质量和性能上表现出色。
Comments Project Page: https://rebind-mrv2v.github.io/
VideoRAE：通过表示自动编码器驯服用于生成建模的视频基础模型
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Huazhong University of Science and Technology（华中科技大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视频生成 ：video understanding(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 研究视频生成模型潜在空间问题，提出VideoRAE，利用冻结视频基础编码器特征经1D自注意力投影仪压缩，支持多种潜在空间，通过多码本高维量化等实现强大重建，收敛快，验证了冻结VFM表示的有效性。
Comments Home page: https://zhxie0117.github.io/VideoRAE
深入探讨统一视频保护在图像到视频和基于微调的定制方面的时间挑战
机构 * The University of Sydney（悉尼大学） ； University of Melbourne（墨尔本大学） ； City University of Hong Kong（香港城市大学） ； Wuhan University（武汉大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究针对基于扩散模型的视频定制引发的隐私等保护问题，提出TC-UAP方法，通过优化身份级多帧UAP并引入相关时间建模和损失，使其在时间上一致且鲁棒，在多种视频定制及攻击下实现强身份保护。
Comments This work provides a basis for the ECCV 2026 LifeGenIP Challenge on Unlearnable Videos against Diffusion-based Customization. Challenge page: https://lifegenip.cc/competition. Evaluation code: ECCV26_LifeGenIP_starting_kit" target="_blank" rel="noopener">https://github.com/tmllab/ECCV26_LifeGenIP_starting_kit. Project page: https://saythe17.github.io/TC-UAP/
OPSD-V：用于训练后少步自回归视频生成器的策略内自蒸馏
机构 * Meituan（美团） ； HKUST（香港科技大学） ； City University of Hong Kong（香港城市大学）
专题命中 视频生成 ：video diffusion(abstract)；long video(abstract)；分类 cs.CV
AI总结 研究针对训练后少步自回归视频生成器存在的问题，提出OPSD-V策略内自蒸馏范式。通过引入真实长视频数据提供监督，学生和教师模型按特定方式运行，应用该范式于相关模型后，实验及用户研究表明其在多方面有改进且更受青睐。
Comments Project page: https://meigen-ai.github.io/OPSD-V ; Code: https://github.com/MeiGen-AI/OPSD-V
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。
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