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。
SANA-Video 2.0：具有注意力残差的混合线性注意力用于高效视频生成
机构 * NVIDIA（英伟达）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 SANA-Video 2.0是一种混合视频扩散Transformer，采用混合线性-softmax注意力和块注意力残差，在单个GPU上生成高质量视频，成本大幅降低，实现可扩展长时、高分辨率视频生成，性能与大模型竞争且速度更快。
Comments 13 pages, 9 figures, 5 tables
学习用于视频生成的显式物理参数控制和基准测试
机构 * Beihang University（北京航空航天大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究针对图像到视频生成中物理参数控制问题，引入含密集物理参数化的数据集PhyParam-Dataset，提出物理引导的扩散模型PhyParam，建立基准PhyParam-Bench，通过实验证明该模型能在保持视觉保真度时提升物理一致性。
Comments 23 pages, 11 figures
ShotPlan：使用可学习规划令牌生成电影级视频
机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 针对电影级视频生成难题，提出ShotPlan框架，基于视频扩散基础模型，引入可学习规划令牌捕捉镜头过渡线索，结合分数时间旋转位置嵌入在帧级别建模，实验证明其优于现有方法，提升了镜头管理与一致性。
Comments Project page: https://pensioner-11.github.io/ShotPlan/
FVAttn：用于视频生成的具有运行时负载均衡的自适应稀疏注意力
机构 * Tencent Inc.（腾讯公司） ； Peking University（北京大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究视频生成中自注意力瓶颈问题，提出FVAttn方法，通过Top-$p$路由等技术及运行时负载均衡等策略，提升自适应稀疏注意力分布式执行效率，降低负载不平衡，实现注意力和推理加速，且视频质量有竞争力。
PE-Field 4D：作为画布的视频生成模型
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Pixocial Technology（皮克社交科技）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究视频生成中扩散变换器控制场景几何形状的挑战，通过重新审视位置编码作用，引入几何感知交叉注意力机制及相关编码方案，构建可控视频生成框架，提升视点相关编辑任务的空间可控性且保留模型生成先验。
WorldWander：在视频生成中连接自我中心和外中心世界
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(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究聚焦视频生成中自我中心与外中心世界转换，提出WorldWander框架，基于视频扩散变换器，整合上下文视角对齐与协作位置编码，精心策划数据集，实验证明该框架在视角同步、角色一致性和泛化能力上表现卓越，设定了新基准。
Comments Accepted by ECCV 2026; Code: https://github.com/showlab/WorldWander
文本到手语：用于文本到手语视频生成的单 GPU 扩散基线
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究文本到手语视频生成，提出Text2Sign模型，结合冻结视觉语言文本编码器等技术，降低全视频注意力成本。在特定分割上有一定验证损失等结果，虽提示敏感性弱，但为单GPU研究提供了基线。
Journal ref IEEE Access, vol. 14, pp. 64003-64017, 2026
Prompting-MammAlps：用于相机陷阱数据的细粒度文本到视频检索
机构 * Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； Max Planck Institute of Animal Behavior（马克斯·普朗克动物行为研究所） ； University of Konstanz（康斯坦茨大学）
专题命中 视频生成 ：text-to-video(title,abstract)；video-language(abstract)；分类 cs.CV
AI总结 针对相机陷阱数据自动检索视频的难题，提出Prompting-MammAlps基准及细粒度可解释TVR方法，训练视觉变压器并结合大语言模型处理查询，在基准测试中取得较好成绩，优于零样本VLM。
Comments Accepted at ECCV 2026; Project page: https://cnai.epfl.ch/prompting-mammalps
VGGRPO：迈向世界一致的视频生成的4D潜在奖励
机构 * Google（谷歌） ； University of Oxford（牛津大学） ； CREST-ENSAE, Institut Polytechnique de Paris（巴黎综合理工学院CREST-ENSAE） ； University of Copenhagen（哥本哈根大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 VGGRPO通过引入4D潜在几何模型和组相对策略优化，提升视频生成的几何一致性与稳定性，避免VAE解码的高计算开销。
Comments Accepted at ECCV 2026. Project Page: https://zhaochongan.github.io/projects/VGGRPO
视频生成模型是通用视觉学习者
机构 * Google DeepMind（谷歌DeepMind）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 研究探讨计算机视觉中实现通用模型的催化剂，提出大规模文本到视频生成是预训练范式。介绍GenCeption模型，利用视频生成扩散主干定义感知模型。实验表明该模型在多任务中性能领先，有数据效率优势且具涌现行为，为通用视觉智能提供基础路径。
Comments ECCV 2026
OpenCoF：通过视频生成学习推理
机构 * CUHK MMLab（香港中文大学多媒体实验室） ； CUHK IMIXR（香港中文大学IMIXR）
专题命中 视频生成 ：video generation(title,abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 研究针对视频生成中帧链推理缺乏多样监督和专门设计的问题，引入OpenCoF框架，含OpenCoF - 17K数据集和Wan - CoF模型。通过实验探索先进设计，发现视频推理需广泛时间监督和明确机制，还开源相关资源促进研究。
Comments Project Page: https://opencof.github.io/
SAGA：自回归视频生成的稳定加速引导
机构 * University of Science, VNU-HCM（越南胡志明市国家大学） ； Vietnam National University（越南国家大学） ； University of Dayton（Dayton 大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究自回归视频生成中因重复使用潜在变量致时间误差问题，提出SAGA方法，它整合加速域频谱引导目标与初始化策略，无需训练可直接用于现有模型，能提升时间质量、减少时间不稳定性并保持视觉保真度。
视频生成模型是内在的光照估计器
机构 * Peking University（北京大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； OpenBayes Information Technology Co., Ltd.（北京智谱华章科技有限公司）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究从单张自然视频恢复动态环境图的问题，核心方法是将光照估计重构为引导视频修复任务，贡献是提出V-LITE框架，能生成连贯HDR环境图，证明视频扩散模型可估计物理场景光照。
Comments Project Page: https://caiziqi.com/research/vlite/
灯光、相机、碳：视频生成能耗的架构缩放定律
机构 * University of Rhode Island, Sustainable AI Group（罗德岛大学，可持续人工智能小组） ； Sustainable AI Group（可持续人工智能小组）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；text-to-video(abstract)；分类 cs.MM
AI总结 提出双向框架，从架构原理和生成参数估算文本到视频等模型能耗。正向预测能耗，反向从推理时间恢复架构缩放行为，基于视频扩散模型性质证明能耗服从缩放定律，为模型可持续性基准测试提供框架。
Comments 17 pages
SVG-EAR：通过误差感知路由实现稀疏视频生成的无参数线性补偿
机构 * UC Berkeley（加州大学伯克利分校）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 研究视频生成中扩散变换器二次注意力成本瓶颈问题，提出SVG-EAR，利用语义聚类后块内键值相似性，通过质心近似跳过块，用误差感知路由计算需精确补偿块，提升质量效率权衡并提高吞吐量。
TempAct: 通过规划器-执行器强化学习推进自回归视频生成中的时间合理性
机构 * Shenzhen Campus of Sun Yat-Sen University（中山大学深圳校区） ； Tencent Hunyuan（腾讯混元） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； USTB（北京科技大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出TempAct框架，利用规划器-执行器强化学习联合优化时间分解与步骤条件执行，解决自回归视频生成中时间指令模糊、延迟反应和错误传播问题，提升时间一致性。
事件驱动视频生成
机构 * William & Mary（威廉与玛丽学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出事件驱动视频生成（EVD），通过轻量级头部预测令牌级事件活动，并利用事件门控采样在交互区域集中更新，以修正对象交互错误，提升状态持久性、空间准确性和接触稳定性。
Comments Accepted to ECCV 2026. Project webpage: https://evd-project-website.pages.dev
MMControl: 多模态控制用于联合音频视频生成
机构 * Zhejiang University（浙江大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出MMControl，通过双流条件注入机制实现联合音频视频生成的多模态控制，支持视觉和听觉信号的精细控制，提升跨模态对齐效果。
Comments Accepted to ECCV 2026. Project page: https://aim-uofa.github.io/MMControl/
PhysRAG: 通过检索增强生成提升视频生成中的物理感知
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出PhysRAG管道，利用检索增强生成（RAG）和可学习查询注入物理知识，在7K高质量视频上训练，在PhyGenBench和VBench上达到最优视觉质量和物理规则遵从性。
Comments Accepted to ECCV 2026
VLMs 是视频推理的好老师：通过自适应测试时优化
机构 * City University of Hong Kong（香港城市大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 视频生成 ：video reasoning(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 提出将视觉语言模型（VLM）作为“教师”，通过提取任务规则并设计可微分奖励，指导视频生成模型（VGM）在测试时在线优化轻量级 LoRA 模块，从而提升视频推理的泛化能力。
Comments Project Page: https://VLM-as-Teacher.github.io/
Causal-rCM：一种用于流式视频生成和交互式世界模型中自回归扩散蒸馏的统一教师强制与自我强制开放配方
机构 * Tsinghua University（清华大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； NVIDIA（英伟达）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出Causal-rCM框架，将扩散蒸馏扩展到自回归视频扩散，通过教师强制（前向散度）与自我强制（反向散度）互补，实现流式视频生成和交互式世界模型，在帧级和块级设置中达到最先进性能。
Comments Technical Report
CoDMD: 基于Copula感知的分布匹配蒸馏用于快速视频生成
机构 * HKUST（香港科技大学） ； Wan Team, Alibaba Group（阿里巴巴集团万团队） ； THU（清华大学） ； CUHK（香港中文大学） ； XDU（西安电子科技大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 针对视频扩散模型少步蒸馏中分布匹配蒸馏（DMD）的结构缺陷，提出Copula感知的DMD（CoDMD），通过轻量关系正则化器利用分数估计构建样本间和帧间关系矩阵，实现4步生成，速度提升约25倍，VBench得分达84.87。
CourseBlueprint：基于课程语料库的自适应教学视频生成的结构化流程
机构 * Department of Computer Science, Rensselaer Polytechnic Institute（计算机科学系，拉特格斯理工学院） ； Department of Biomedical Engineering, Rensselaer Polytechnic Institute（生物医学工程系，拉特格斯理工学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出CourseBlueprint流程，通过结构化教学蓝图（含先决条件图、自适应控制、参与合约）从课程语料库生成自适应教学视频，实验证明显式教学合约比表面流畅性更关键。
PISCES: 基于最优传输对齐奖励的无标注文本到视频后训练
机构 * Microsoft（微软） ； Stony Brook University（石溪大学）
专题命中 视频生成 ：text-to-video(title,abstract)；video generation(abstract)；分类 cs.CV
AI总结 提出PISCES算法，通过双重最优传输对齐奖励模块，无需人工标注即可提升文本生成视频的质量和语义对齐，在VBench上超越现有方法。
Comments Accepted to ICML 2026. Project page and code: https://roar-ai.github.io/pisces/
CineOrchestra：面向电影视频生成的统一实体中心条件控制
机构 * Snap Inc.（Snap公司） ； UC Merced（加州大学默塞德分校）
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 提出CineOrchestra，一种统一控制主体、事件、相机和镜头切换的视频扩散模型，通过实体中心条件原语和参数无关的旋转位置编码实现多轴联合控制，在密集描述跟随和镜头切换时序上超越六种专用方法。
Comments Project page: https://snap-research.github.io/CineOrchestra
极线几何改进视频生成模型
机构 * University of Oxford（牛津大学） ； Google Research（谷歌研究院） ； CREST-ENSAE, Institut Polytechnique de Paris（巴黎理工学院CREST-ENSAE研究中心） ； Technical University of Munich（慕尼黑技术大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 针对视频生成模型几何不一致和运动伪影问题，提出基于极线几何约束的偏好优化方法，在保持视觉质量的同时将极线误差降低31%，人类评分一致性从54%提升至72%。
Ultra Flash: 将实时流式视频生成扩展到高分辨率
机构 * JD Explore Academy（京东探索研究院） ； USTC（中国科学技术大学） ； PKU（北京大学） ； THU（清华大学） ； BUAA（北京航空航天大学） ； FDU（复旦大学） ； HKUST（香港科技大学） ； HKU（香港大学） ； CUHK（香港中文大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出Ultra Flash级联框架，通过架构保持的超分辨率训练、因果流式潜在上采样器和高分辨率解码器、以及级联优化方案，在单GPU上实现1K分辨率约30 FPS和2K分辨率约18 FPS的实时高分辨率流式视频生成。
KGEdit: 面向无训练精确视频生成与编辑的歧义感知知识图谱
机构 * Waseda University, Japan（日本早稻田大学） ； College of Computer Engineering, Jimei University（集美大学计算机工程学院） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出KGEdit框架，通过构建歧义感知知识图谱和结构化语义注入模块，解决文本到视频扩散模型中的语义歧义、概念绑定错误和跨帧不一致问题，实现无需额外训练的精确视频生成与编辑。
CausalMotion: 基于关键帧与轨迹引导的结构化物理推理实现免训练视频生成
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； ShanghaiTech University（上海科技大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 提出CausalMotion框架，利用视觉语言模型将文本提示分解为因果一致的关键帧和物体运动轨迹，作为软约束引导预训练视频扩散模型，无需额外训练即可提升物理合理性和时间连贯性。
Comments Project Page: https://zhuangsh0713.github.io/CausalMotion/
PEDRA: 评估视频生成中行人动态的真实性
机构 * Duke University（杜克大学）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 提出PEDRA评估协议，通过重建鸟瞰轨迹等方法，测试文本/图像到视频模型生成多行人交互场景的真实性，发现现有模型虽具备先验但存在行人合并消失等物理不一致问题。
Comments Accepted to CVPR 2026
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