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。
GroundShot: 通过实体锚定镜头调度实现视觉一致的多镜头长视频生成
机构 * Fudan University（复旦大学） ； Baidu（百度）
专题命中 视频生成 ：video generation(title)；long video(title)；分类 cs.CV
AI总结 提出GroundShot框架，通过在线构建实体级视觉记忆并调度镜头生成顺序，无需训练即可提升多镜头视频中实体的一致性。
CineLOG: 一种无需训练的电影长视频生成方法
机构 * Sharif University of Technology（沙斐大学）
专题命中 视频生成 ：video generation(title)；long video(title)；分类 cs.CV
AI总结 CineLOG通过构建高质量、平衡的数据集和创新的生成管道，实现了对电影长视频中摄像机轨迹和类型等属性的精准控制，优于现有端到端模型。
专题命中 视频生成 ：video generation(title)；text-to-video(title)；分类 cs.CV
Comments Project page: https://follow-your-pose.github.io/; Github repository: https://github.com/mayuelala/FollowYourPose
EditStream：用于交互式视频生成与编辑的统一自回归框架
机构 * Adobe Research（Adobe研究院） ； University of Rochester（罗切斯特大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 本研究提出EditStream框架，整合多类视频生成编辑任务，通过两阶段蒸馏方法优化自回归模型，实现高质量交互式视频创作，填补了扩散模型与创意工作流的衔接空白。
Comments 25 pages, 12 figures, Project page: https://real-time-video-research.github.io/editstream/
AnyTalk：利用视频生成模型实现任意角色的语音动画
机构 * KAIST（韩国科学技术院）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV、cs.MM
AI总结 AnyTalk是一种无需动画数据、利用视频扩散模型的新方法，可生成任意角色的3D语音动画，还能蒸馏出实时版本，降低了人工与数据需求。
Comments accepted to TVCG, Project page at https://serin-yoon.github.io/projects/anytalk/
用于序列动作视频生成的关键帧锚定身份保留
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 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 针对身份保留文本到视频生成任务中主体身份保持和动作执行的挑战，提出无训练三阶段管道框架，包括动作感知提示优化、身份保留生成和身份感知推理增强，该方法在官方排行榜上排名第三，性能和通用性强。
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
面向内存高效的自回归视频生成：基于实例特定参数吸收
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； The University of Hong Kong（香港大学） ； AMAP, Alibaba Group（阿里巴巴集团高德地图）
专题命中 视频生成 ：video generation(title,abstract)；long video(abstract)；分类 cs.CV、cs.MM
AI总结 提出ISPA框架，通过将历史上下文吸收到模型权重中，将部分注意力层从全局注意力转换为局部注意力，在保持视觉质量的同时减少50%的KV缓存。
Comments ECCV 2026 Camera Ready
Echo-Infinity: 学习演化记忆用于实时无限视频生成
机构 * The Chinese University of Hong Kong（香港中文大学） ； Joy Future Academy, JD（京东探索研究院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV、cs.MM
AI总结 提出Echo-Infinity框架，通过可学习的演化记忆以恒定成本动态过滤、抽象和压缩任意长度历史，结合统一相对RoPE方案，首次实现24小时实时无限视频生成。
Comments Website: https://echo-team-joy-future-academy-jd.github.io/Echo-Infinity/
UniVid：金字塔扩散模型用于高质量视频生成
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 UniVid通过融合文本提示和参考图像，结合时间金字塔交叉帧空间时间注意力模块，提升文本到视频、图像到视频及联合生成任务的时序一致性。
通过文本到骨骼级联实现可控的复杂人类运动视频生成
机构 * Department of Computer Science and Software Engineering, The University of Western Australia（计算机科学与软件工程系，西澳大学） ； Munich Center for Machine Learning (MCML) and Technical University of Munich (TUM)（慕尼黑机器学习中心（MCML）和技术大学慕尼黑（TUM）） ； School of Information Technology, Murdoch University（信息科技学院，墨尔本大学） ； Department of Electrical, Electronics and Computer Engineering, The University of Western Australia（电子、电子与计算机工程系，西澳大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV、cs.MM
AI总结 本文提出通过文本到骨骼级联框架生成可控复杂人类运动视频，解决文本条件模糊和姿态控制成本高的问题，引入合成数据集并展示模型在多个指标上的优越性能。
EasyAnimate：基于混合窗口注意力和奖励反向传播的高性能视频生成框架
机构 * Alibaba Cloud（阿里云）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV、cs.MM
AI总结 EasyAnimate通过混合窗口注意力和奖励反向传播提升视频生成效率与质量，实现高性能视频生成。
Comments 10 pages, 8 figures, ACM MM 2025
LayerT2V: 一个统一的多层视频生成框架
机构 * Shanghai Jiao Tong University（上海交通大学） ； Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院） ； Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、cs.MM
AI总结 LayerT2V通过统一的多层视频生成框架，实现了多层输出并提升了视频生成的语义一致性和时间一致性。
Comments Project Page is https://layert2v.github.io/
机构 * Purdue University（普渡大学） ； Baidu USA（百度美国公司） ； University of Rochester（罗切斯特大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、cs.MM
Comments Accepted by CVPR 2025 AI4CC Workshop
机构 * École Polytechnique（巴黎综合理工学院） ； IP Paris（巴黎理工学院） ； Univ Rennes（雷恩大学） ； IRISA（雷恩-南特信息与自动化研究所） ； Inria（法国国家信息与自动化研究所） ； CNRS（法国国家科学研究中心）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV、cs.MM
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV、eess.IV
Comments Project Page: https://snap-research.github.io/SF-V
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV、eess.IV
Comments Accepted by ECCV2024. Project page: https://jingyunliang.github.io/MoVideo
专题命中 视频生成 ：video generation(title,abstract)；video understanding(abstract)；分类 cs.CV、cs.MM
Comments 16 pages, 10 figures, 4 tables
4DStreamCtrl：基于在线4D控制的交互式视频生成
机构 * Peking University（北京大学） ； Tencent Hunyuan（腾讯混元）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；long video(abstract)；分类 cs.CV
AI总结 4DStreamCtrl将相机运动、物体轨迹与深度统一为3D点轨迹表示，结合蒸馏的因果流式模型，首次实现交互式4D可控实时视频生成，精度与效率均优于现有方法。
Comments 23 pages
FlowDance：基于音乐驱动的并行姿态与RGB流舞蹈视频生成
专题命中 视频生成 ：video generation(title,abstract)；long video(abstract)；分类 cs.CV
AI总结 FlowDance是一种结合并行姿态与RGB流的音乐驱动舞蹈视频生成框架，通过时间步感知姿态注入和持久身份注入优化，构建了高分辨率野外舞蹈数据集，在相关任务上表现优异。
超越文本条件：面向视频生成的MLLM-DiT融合系统研究
机构 * Chinese Academy of Sciences（中国科学院） ； Microsoft Research（微软研究院） ； Sun Yat-sen University（中山大学） ； Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Xi’an Jiaotong University（西安交通大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 该研究针对视频生成中MLLM与DiT融合问题，提出BiVidGen框架，通过MLLM生成语义视觉标记辅助DiT渲染，提升了视频的语义对齐度与时间一致性。
SafeCA：用于文本到视频越狱防御的安全交叉注意力定位与调控
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV
AI总结 SafeCA是一种特征级T2V越狱防御机制，通过分析交叉注意力特征差异提出，可降低主流模型越狱成功率约20%，仅增0.1s推理开销且保持语义一致性，提供架构级可部署防护范式。
Comments 10 pages, 4 figures
流强制：构建用于鲁棒流视频生成的统一训练轨迹
机构 * Huazhong University of Science & Technology（华中科技大学） ； Horizon Robotics（地平线机器人） ； Anyverse Dynamics
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 针对流视频扩散模型的训练-推理不匹配问题，提出Stream Forcing统一训练框架，通过构建训练轨迹及相关算法，在UCF-101基准测试中FVD分别提升36.6%、27.9%，提升了生成质量与长时序泛化能力。
Comments 15 pages,6 figures
VideoCoCo：基于智能体双引擎系统的、以代码为思维链（CoT）的物理一致性视频生成方法
机构 * CUHK（香港中文大学） ； USTC（中国科学技术大学） ； SCUT（华南理工大学） ； HKU（香港大学） ； NTU（南洋理工大学） ； PKU（北京大学） ； SJTU（上海交通大学） ； CMU（卡内基梅隆大学） ； THU（清华大学） ； HUST（华中科技大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 VideoCoCo作为智能体双引擎框架，以可执行Blender代码为过程级思维链，构建专属数据集提升视频编辑器适配性，在两个基准上显著优于基线，实现了高质量物理一致性视频生成。
Comments 15 pages, 3 figures, and 3 tables
EmoWorld：用于可控情感视频生成的解耦情感场
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 EmoWorld是一种解耦情感场框架，通过VAS、SAS、TAS三个引导模块优化可控情感视频生成，在Wan2.2等基准上实现情感对齐、线索检测及过渡单调性提升，具备多骨干网络可移植性。
MMPhysVideo: 通过联合多模态建模提升视频生成的物理合理性
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； StepFun（阶跃星辰） ； Beijing Key Laboratory of Super Intelligent Security of Multi-Modal Information（多模态信息超级智能安全北京市重点实验室） ； School of Information Science and Technology, Shanghai Tech University（上海科技大学信息科学与技术学院）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 MMPhysVideo通过联合多模态建模提升视频生成的物理合理性，将感知线索统一为伪RGB格式，提出双向控制教师架构以减少跨模态干扰，并通过MMPhysPipe构建物理丰富的多模态数据集，提升物理合理性和视觉质量。
Comments Project Page: https://shubolin028.github.io/MMPhysVideo-Page
GimbalDiffusion：基于重力的摄像机控制用于视频生成
机构 * Université Laval（拉瓦尔大学） ； Adobe
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出GimbalDiffusion框架，通过物理坐标系实现摄像机运动的精确控制，引入null-pitch conditioning策略以避免冲突提示内容干扰，并建立新基准评估重力感知摄像机控制视频生成能力。
Comments Accepted at ECCV 2026. Project page: https://lvsn.github.io/GimbalDiffusion/
MoRoute：面向上下文多模态视频生成的动态路由
机构 * Sun Yat-sen University（中山大学） ； HUJING Digital Media & Entertainment Group（沪景数字媒体娱乐集团） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 MoRoute是采用动态层路由连接VLM与视频DiT的多模态视频生成框架，在三个基准数据集上均优于现有最优方法，提升了视频生成与编辑的性能。
Comments Project page: https://orange-3dv-team.github.io/MoRoute/
AgentHOI：通过隐式表示对齐进行人类-物体交互视频生成的多智能体推理
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent HunYuan（腾讯混元）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究针对HOI视频生成中现有方法依赖显式运动控制的问题，提出AgentHOI，通过多智能体推理和隐式文本-运动对齐策略，实现文本驱动的HOI视频生成，提升了交互自然性等，改进了复杂场景下的表现。
Comments Under review. The code is available at https://github.com/bone-11/agenthoi
FilmBench：用于电影视频生成的电影级基准测试
机构 * Alibaba Group（阿里巴巴集团） ； Moku Lab, Hujing Digital Media & Entertainment Group（魔氪实验室，虎鲸数字媒体与娱乐集团） ； Beijing Film Academy（北京电影学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 FilmBench是基于电影学院传统专业电影语言开发的文本到视频和参考到视频基准测试。它从获奖影片反向设计提示，依电影分类法评估，开发自动评估代理并开源核心套件，能再现人类模型排名，指出当前模型在动态美学等方面不足。
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