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。
火星世界模型：可控视频合成与物理准确的3D重建
机构 * BJTU（北京工业大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； HKUST（香港科技大学） ； Stanford University（斯坦福大学） ； XMU（厦门大学） ； SBU（雪城大学） ； USC（南加州大学） ； NVIDIA（英伟达）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出M3arsSynth和MarsGen，通过物理准确的3D重建生成逼真的火星视频，提升任务模拟与机器人训练的可视化效果。
Comments Project Page: https://marsgenai.github.io
DeRA: 解耦表示对齐用于视频标记化
机构 * Xi’an Jiaotong University（西安交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 DeRA通过解耦时空表示学习，提升视频标记化效率和性能，并在视频生成任务中取得新突破。
VRWKV-Editor: 降低基于变换器的视频编辑中的二次复杂度
机构 * International Artificial Intelligence Center of Morocco University Mohammed VI Polytechnic Rabat, Morocco（摩洛哥国际人工智能中心摩洛哥穆莱·伊沙克·穆莱·阿卜杜勒阿齐兹 polytechnic 大学拉巴特分校） ； University Mohammed VI Polytechnic Rabat, Morocco（摩洛哥穆莱·伊沙克·穆莱·阿卜杜勒阿齐兹 polytechnic 大学拉巴特分校） ； Sorbonne University, LIP6 - UMR 7606 CNRS, France（索邦大学，LIP6 - UMR 7606 CNRS，法国）
专题命中 视频生成 ：long video(abstract)；分类 cs.CV
AI总结 VRWKV-Editor通过引入线性时空聚合模块，降低基于变换器的视频编辑模型的计算复杂度，实现3.7倍加速和60%内存节省，同时保持高质量的帧一致性和文本对齐。
上下文同步LoRA用于肖像视频编辑
机构 * Tel Aviv University（特拉维夫大学） ； Simon Fraser University（Simon Fraser大学）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 Sync-LoRA通过上下文LoRA实现肖像视频编辑，保持帧同步和身份一致性，支持多样化的修改如外观变化和物体添加。
Comments Project page: https://sagipolaczek.github.io/Sync-LoRA/
快速多视角一致3D编辑与视频先验
机构 * The Hong Kong Polytechnic University（香港理工大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出ViP3DE方法，利用视频生成模型的时间一致性先验，实现多视角一致的3D编辑，提升编辑质量和速度。
Comments accepted by AAAI2026
从飘落的树叶中看到风
机构 * University of Southern California（南加州大学） ； 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 本文提出一种端到端可微逆图形框架，通过视频恢复不可见的物理力，应用于风场估计和基于物理的视频生成与编辑。
Comments Accepted at NeurIPS 2025
MobileI2V: 一种适用于移动设备的快速高分辨率图像到视频生成方法
机构 * Huazhong University of Science and Technology（华中科技大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 MobileI2V通过轻量级扩散模型和优化策略，在移动设备上实现快速高分辨率图像到视频生成，生成速度提升10倍，质量与现有模型相当。
Comments Our Demo and code:https://github.com/hustvl/MobileI2V
块级级联：无训练加速块因果视频模型
机构 * Stability AI ； SketchX, University of Surrey（SketchX， Surrey大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 块级级联通过无训练并行化技术，显著提升块因果视频模型的推理速度，同时保持生成质量。
图像到视频模型是否是良好的零样本图像编辑器？
机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 IF-Edit通过无需微调的框架，利用预训练图像到视频扩散模型实现指令驱动的图像编辑，解决提示错位、冗余时间潜在特征和模糊后期帧问题，展现强大的推理能力和通用编辑竞争力。
Comments technical report
多模态生成式AI：多模态大语言模型、扩散模型与统一
机构 * Department of Computer Science, Beijing Information Science and Technology National Research Center, Tsinghua University（计算机系，北京信息科学与技术国家研究中心，清华大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文综述了多模态生成式AI，涵盖多模态LLMs、扩散模型及统一模型的设计与应用，探讨了统一理解和生成的方法及未来研究方向。
Comments 21 pages, 10 figures, 3 tables
Journal ref IEEE Transactions on Circuits and Systems for Video Technology 2025
MovieDreamer：用于生成连贯长视觉序列的分层生成
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 MovieDreamer通过结合自回归模型与扩散渲染，实现长时长视频生成，提升叙事连贯性和视觉质量。
Comments 30 pages, 22 figures
视频中的指令：将视觉信号作为生成控制
机构 * National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本研究提出通过视频中嵌入的视觉信号作为指令，实现可控的图像到视频生成，通过空间感知的指令分配提升多对象场景下的生成可靠性。
学习信任什么：基于贝叶斯先验引导的视觉生成优化
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出贝叶斯先验引导优化方法，通过建模奖励不确定性提升视觉生成模型的语义对齐和感知保真度。
学习原始具身世界模型：迈向可扩展的机器人学习
机构 * Shanghai AI Lab（上海人工智能实验室） ； Fudan（复旦大学） ； SJTU（上海交通大学） ； NJUST（南京理工大学） ； THU（清华大学） ； Harvard（哈佛大学） ； ZJU（浙江大学） ； NJU（南京大学） ； USTC（中国科学技术大学） ； Tongji（同济大学） ； HKUST (GZ)（香港科技大学（广州））
专题命中 视频生成 ：video generation(abstract)；分类 cs.MM
AI总结 提出原始具身世界模型（PEWM）以解决具身数据稀疏和高维问题，通过短视界视频生成实现细粒度对齐、降低学习复杂度并提高数据效率。
点到点：用于可控视频编辑的稀疏运动引导
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
AI总结 Point-to-Point通过引入锚点标记，利用视频扩散模型的先验知识，实现可控视频编辑中运动与编辑的高质量保真度。
生成增强现实：范式、技术与未来应用
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Nanyang Technological University（南洋理工大学） ； XMax.AI Ltd.（XMax.AI有限公司）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 本文提出生成增强现实（GAR）作为下一代AR范式，通过统一生成模型实现环境再合成，提升真实感与沉浸感，同时引发技术、内容生态及伦理挑战。
机构 * Dept. of Comp. Sci. and Tech., Institute for AI, BNRist Center, THBI Lab, Tsinghua-Bosch Joint ML Center, Tsinghua University（计算机科学与技术系，人工智能研究所，BNRist中心，THBI实验室，清华-博世联合机器学习中心，清华大学） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（交叉信息学院，清华大学） ； EECS, University of California, Berkeley（电子工程与计算机科学系，加州大学伯克利分校）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments @inproceedings{zhang2025spargeattn, title={Spargeattn: Accurate sparse attention accelerating any model inference}, author={Zhang, Jintao and Xiang, Chendong and Huang, Haofeng and Wei, Jia and Xi, Haocheng and Zhu, Jun and Chen, Jianfei}, booktitle={International Conference on Machine Learning (ICML)}, year={2025} }
Journal ref Proceedings of the 42 nd International Conference on Machine Learning, PMLR 267, 2025 (ICML 2025)
机构 * Tsinghua University（清华大学） ； Beijing University of Technology（北京理工大学） ； Guangzhou University（广州大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
机构 * School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
Comments 13 pages
机构 * Xi’an Jiaotong University（西安交通大学） ； Amap, Alibaba Group（阿里巴巴集团） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments Accepted to NeurIPS 2025 as Spotlight Presentation. Code: https://github.com/MIV-XJTU/FSDrive
机构 * Google DeepMind（谷歌DeepMind） ； USC（美国斯克利普斯大学） ； Stanford（斯坦福大学） ； Toyota Research Institute（丰田研究机构）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments Project page: https://pointscoder.github.io/PhysWorld_Web/
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of California, Santa Cruz（加州大学圣克ruz分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Chicago（芝加哥大学） ； Amazon（亚马逊） ； Information Commissioner’s Office（信息专员办公室）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
Comments NeurIPS 2025 Datasets & Benchmarks
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
机构 * Department of Statistical Science, University College London（统计科学系，伦敦大学学院） ； Core AI team at Meta Reality Labs（Meta Reality Labs人工智能核心团队）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments Accepted by IEEE TCSVT, Code: https://github.com/littlewhitesea/Text-Driven-Pano-Gen
机构 * Texas A&M University（德克萨斯A&M大学） ； NEC Laboratories America（NEC美国实验室）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
机构 * Dalian University of Technology（大连理工大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； ZMO AI Inc.（ZMO人工智能公司） ； Oxford University（牛津大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments Project Page URL:https://libaolu312.github.io/VFXMaster/
机构 * UC, Santa Barbara（加州大学圣芭芭拉分校） ； Adobe Research（Adobe研究院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
Comments 19 pages, 9 figures
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
Comments This survey will be regularly updated at: https://github.com/GigaAI-research/General-World-Models-Survey
机构 * Department of Computer Science（计算机科学系） ； Graduate School of Artificial Intelligence, POSTECH, South Korea（人工智能研究生院，POSTECH，韩国）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
机构 * Adobe Research（Adobe研究机构） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 视频生成 ：video diffusion(abstract)；分类 cs.CV
Comments ICCV 2025; First three authors contributed equally. Project page: https://veggie-gen.github.io/
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