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。
OmniTransfer: 一种用于时空视频转换的综合框架
机构 * Intelligent Creation Lab, ByteDance（字节跳动智能创作实验室）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 OmniTransfer通过统一框架实现灵活的高保真视频生成，结合多视角和时间线索提升转换性能。
Comments Github Page: https://pangzecheung.github.io/OmniTransfer/
ATATA：一切对齐的统一算法
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Applied AI Institute（应用人工智能研究所） ； AXXX ； FusionBrain Lab（融合大脑实验室） ； MSU（莫斯科州立大学） ； Constructor University（建设大学） ； HSE University（高等经济大学） ； Peng Cheng Laboratory（鹏城实验室） ； HIT Suzhou Research Institute（哈尔滨工业大学苏州研究 institute） ； KAUST（科威特大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 ATATA提出一种基于Rectified Flow模型的多模态算法，实现高效结构对齐的样本生成，提升图像、视频和3D生成的质量与速度。
PhysRVG: 基于物理的视频生成模型统一强化学习
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Zhejiang Lab（浙江实验室）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 PhysRVG通过引入基于物理的强化学习范式，统一视频生成模型，直接在高维空间中强制物理碰撞规则，提升生成视频的物理真实性。
VINO：一个具有交错多模态上下文的统一视觉生成器
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 VINO通过统一的视觉生成框架实现图像和视频的生成与编辑，利用交错多模态上下文条件处理，提升多任务视觉创作能力。
Comments Project page: https://sotamak1r.github.io/VINO-web/
CoF-T2I: 视频模型作为纯视觉推理器用于文本到图像生成
机构 * Peking University（北京大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Sun Yat-sen University（中山大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 CoF-T2I通过引入链式帧推理提升文本到图像生成的质量，通过逐步视觉细化和显式推理步骤实现高质量图像生成。
Comments 16 pages, 8 figures
MHLA: 通过令牌级多头恢复线性注意力的表达性
机构 * Peking University（北京大学） ； NVIDIA（英伟达）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 MHLA通过令牌级多头机制恢复线性注意力的表达性，提升多个领域任务性能
Comments Code: https://github.com/DAGroup-PKU/MHLA/ Project website: https://dagroup-pku.github.io/MHLA/
DreamStyle: 视频风格化的一个统一框架
机构 * Intelligent Creation Lab, ByteDance（字节跳动智能创作实验室）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 DreamStyle通过统一框架支持文本、风格图像和第一帧引导的视频风格化，提升风格一致性和视频质量。
Comments Github Page: https://lemonsky1995.github.io/dreamstyle/
NextFlow：统一的序列建模激活多模态理解和生成
机构 * TsingHua University（清华大学） ； Monash University（墨尔本大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 NextFlow通过统一的自回归架构实现多模态理解和生成，以高效生成高分辨率图像并提升视觉质量。
Comments Project page: https://github.com/ByteVisionLab/NextFlow
无需训练的视频编辑 via 光流增强的分数蒸馏
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 本研究提出基于预训练文本到视频模型的分数蒸馏方法，通过迭代优化和光流增强技术，解决无需训练视频编辑中的内容保留与时间连续性问题。
PipeFlow: 管道处理与运动感知帧选择用于长格式视频编辑
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Qualcomm AI Research（高通人工智能研究）
专题命中 视频生成 ：long video(abstract)；分类 cs.CV
AI总结 PipeFlow通过运动感知帧选择和流水线任务调度，实现长格式视频编辑的高效处理，相比现有方法速度提升达9.6至31.7倍。
基于少样本的模块化图像到视频适配器用于扩散模型
机构 * Huawei Technologies Canada（华为加拿大技术有限公司） ； University of Waterloo（滑铁卢大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Toronto（多伦多大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出MIVA，一种轻量级模块化适配器，用于在扩散模型中实现更精确的运动控制，同时保持或提升生成质量。
Comments GitHub page: https://github.com/yishaohan/MIVA
Yume-1.5：一种文本控制的交互式世界生成模型
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Yume-1.5通过文本控制和高效框架生成交互式连续世界，解决实时性能与文本控制能力的瓶颈问题。
视频基础模型编码多少三维信息？
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Impossible, Inc（Impossible公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文研究了视频基础模型对3D世界的理解程度，提出了一种模型无关的框架来评估不同模型的3D意识，并发现最先进的视频生成模型在无3D训练数据的情况下也能表现出超越专门3D任务模型的理解能力。
Comments Project Page: https://vidfm-3d-probe.github.io
Seedance 1.5 pro: 一种原生音频视频联合生成基础模型
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Seedance 1.5 pro是一款专为原生音频视频联合生成设计的基础模型，通过双分支扩散变压器架构实现高质量生成，支持多语言唇形同步和动态摄像机控制，提升专业内容创作效率。
Comments Seedance 1.5 pro Technical Report
PhysFire-WM: 一种融合物理信息的世界模型用于模拟火灾扩散动力学
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 PhysFire-WM通过融合物理信息和跨任务协作训练策略，提升火灾扩散预测的物理真实性和几何准确性。
EasyV2V: 一种高质量的基于指令的视频编辑框架
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 EasyV2V通过简化设计和灵活输入实现高质量视频编辑，超越现有系统。
Comments Project page: https://snap-research.github.io/easyv2v/
Kling-Omni 技术报告
机构 * Kling Team（Kling团队）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Kling-Omni 是一种通用生成框架，通过多模态视觉语言输入直接合成高质量视频，整合视频生成、编辑和智能推理任务，实现电影级内容创作。
Comments Kling-Omni Technical Report
超越可见范围：通过代理动态图实现的遮挡感知编辑
机构 * Inria - Université Côte d’Azur（法国国家信息与自动化技术研究院-埃克塞特大学） ； University of Edinburgh（爱丁堡大学） ； Adobe Research（Adobe研究部） ； UCL（伦敦大学学院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 通过代理动态图实现遮挡感知编辑，结合运动规范与外观合成，实现可控的图像到视频生成。
KlingAvatar 2.0 技术报告
机构 * Kuaishou Technology（快手科技）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 KlingAvatar 2.0 通过时空级联框架和多模态指令融合技术，实现了高效且高质量的长视频生成，提升了视觉清晰度和多模态对齐能力。
Comments 14 pages, 7 figures
Light-X：具有摄像机和照明控制的生成式4D视频渲染
机构 * S-Lab, NTU（NTU的S-Lab） ； BAAI ； HUST（华中科技大学） ； AIR,THU（清华大学人工智能研究院） ； FNii, CUHKSZ（CUHKSZ的FNii） ； SJTU（上海交通大学） ； EIT (Ningbo)（宁波工程学院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 Light-X通过联合控制摄像机轨迹和光照，实现高质量4D视频生成，优于现有方法。
Comments Project Page: https://lightx-ai.github.io/ , Code: https://github.com/TQTQliu/Light-X
V-RGBX：具有精确内在属性控制的视频编辑
机构 * Fudan University（复旦大学） ； Adobe Research（Adobe研究院） ； Stanford University（斯坦福大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 V-RGBX通过端到端框架实现基于内在属性的视频编辑，支持直观且物理合理的视频修改，适用于物体外观和场景重照明等应用。
Comments Project Page: https://aleafy.github.io/vrgbx
具有解耦时间和空间上下文的自回归视频自编码器
机构 * Zoom Communications（Zoom公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 ARVAE通过解耦时间和空间上下文，实现高效视频压缩与重建，具备轻量模型和小数据优势，适用于视频生成等下游任务。
MoCA-Video：面向一致视频编辑的运动感知概念对齐
机构 * Department of Computer Science（计算机科学系） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学科学与技术学院）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 MoCA-Video通过在冻结的视频扩散模型潜在空间中进行语义混合，实现无需训练的高质量视频编辑，通过动量修正和伽马残差模块提升时间稳定性和语义一致性。
UniUGP：统一理解、生成与规划以实现端到端自动驾驶
机构 * ByteDance Seed（字节跳动种子）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 UniUGP通过整合预训练视觉模型和视频生成模型，实现端到端自动驾驶中的场景推理、视频生成和轨迹规划，提升复杂场景下的性能和泛化能力。
Comments Project Page: https://seed-uniugp.github.io/
PlayerOne：第一人称真实世界模拟器
机构 * HKU（香港大学） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； Hupan Lab（华盘实验室） ； HUST（华中科技大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 PlayerOne通过第一人称真实世界模拟器实现了沉浸式探索，通过粗到细的训练流程和部分解耦运动注入方案，实现了对人类运动的精确控制和多样化场景的一致建模。
Comments Project page: https://playerone-hku.github.io/
从单张图像自演化生成3D场景
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 EvoScene通过自演化框架从单张图像生成高质量3D场景，结合几何推理和视觉知识，实现结构和外观的逐步优化。
VideoVLA: 视频生成器可以成为通用的机器人操作器
机构 * IAIR, Xi’an Jiaotong University（人工智能研究院、西安交通大学） ； Microsoft Research Asia（微软亚洲研究院） ； Fudan University（复旦大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 VideoVLA通过将视频生成模型转化为机器人VLA操作器，实现了动作与视觉后果的双预测，提升机器人操作的泛化能力。
Comments Project page: https://videovla-nips2025.github.io
Journal ref The Thirty-ninth Annual Conference on Neural Information Processing Systems(NeurIPS2025)
RunawayEvil: 对图像到视频生成模型的劫持
机构 * PRLab, Nanjing University（南京大学PRLab） ； Meituan（美团） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 RunawayEvil是一种针对图像到视频生成模型的多模态劫持框架，通过自我进化机制实现动态攻击策略，显著提升攻击成功率。
DreamFoley: 用于高保真视频到音频生成的可扩展视觉-语言模型
机构 * Bytedance Intelligent Creation Lab（字节跳动智能创作实验室） ； Zhejiang University（浙江大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.MM
AI总结 DreamFoley通过结合视觉-语言模型，提出了一种可扩展的视频到音频生成方法，实现了高保真音频生成并优化了训练效率与质量的平衡。
Comments 10 pages; Bytedance
视频模型开始解决国际象棋、迷宫、数独、心理旋转和雷文矩阵任务
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 视频模型通过强化学习提升推理能力，在多项任务上达到60%的成功率。
Comments See $\href{https://grow-ai-like-a-child.com/video-reason/}{results}$ and $\href{https://github.com/hokindeng/VMEvalKit}{code}$
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