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。
SparseCtrl-HOI：用于人机交互视频生成的稀疏时间控制
机构 * South China University of Technology（华南理工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 研究针对人机交互视频生成中建模物理动力学及时空协调复杂、现有方法依赖密集指导成本高且影响多样性的问题，提出SparseCtrl-HOI框架，用关键帧结合新机制和模块控制，构建数据集，降低标注开销，提升直播电商视频质量。
Comments ECCV 2026, Project Page: https://mpi-lab.github.io/SparseCtrl-HOI
Aura：通过基于VLM的语义对齐实现一致的多主体视频生成
机构 * Tencent Hunyuan（腾讯混元）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出Aura框架用于高保真和身份一致的视频生成，引入AI导演级字幕、利用VLM提取多模态语义特征，设计对齐策略，采用多种机制减少伪影，在多主体视频生成上达先进性能。
Comments Project page: https://aura-project-page.github.io/ Code: https://github.com/Camellia997/Aura
MV-Forcing：基于4D锚定时空自强制的长时长多视角视频生成
机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Cornell University（康奈尔大学）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV
AI总结 针对动态场景长时多视角一致视频生成难题，提出MV-Forcing框架，融合时序与视角自回归，实现任意时长视角数的高一致性多视角视频生成。
Comments Accepted to ECCV 2026. Project webpage: https://galfiebelman.github.io/mv-forcing/
CineMobile：用于电影级相机运动生成的设备端图像到视频扩散
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nankai University（南开大学） ； Transsion（传音）
专题命中 视频生成 ：video diffusion(title)；video generation(abstract)；分类 cs.CV
AI总结 针对移动设备图像到视频创作需求，提出CineMobile。采用蒸馏引导剪枝、扩散蒸馏与强化学习优化及混合后训练量化策略，在保持视觉质量的同时大幅加速生成，证明其在移动图像到视频创作中的实用性。
ProxyUp：用于可控动力学的免训练代理条件视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei Inc.（华为公司）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 现代视频生成模型精确控制复杂动力学具挑战性。提出代理条件视频生成，以代理视频控制前景物体运动。基于预训练模型构建免训练框架ProxyUp，用区域潜在噪声和随机流松弛，实验表明其在动态保真度和文本对齐方面优于基线。
Comments Project Page: $\href{https://zanue.github.io/proxyup}{\text{this https URL}}$
InteractiveAvatar: 用于一致且意图感知的虚拟形象的实时流式视频生成
机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University（西安交通大学人工智能与机器人研究所人机混合增强智能国家重点实验室） ； China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd.（中国电信人工智能科技（北京）有限公司） ； Wuhan University（武汉大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI））
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出InteractiveAvatar框架，通过自回归蒸馏实现实时无限流式生成，利用长短视觉记忆机制保持视觉一致性，并设计推理反应模块实现意图感知交互。
EcoVideo: 云边动态中的熵编排视频生成范式
机构 * School of Computer Science, Peking University, China（北京大学计算机科学学院，中国） ； State Key Lab of Multimedia Information Processing, Peking University, China（北京大学多媒体信息处理国家重点实验室，中国） ； International School, Beijing University of Posts and Telecommunications, China（北京邮电大学国际学院，中国） ； School of Information Science and Technology, Beijing Forestry University, China（北京林业大学信息科学与技术学院，中国）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出EcoVideo框架，利用自注意力熵进行无训练帧选择，云大模型去噪关键帧，边轻量模型插值重建，自适应调整预算和深度，实现2.9倍端到端加速。
Comments EcoVideo is honored to be accepted by ECCV 2026
OmniDance: 基于大规模互联网数据的多模态驱动舞蹈视频生成
机构 * Renmin University of China（中国人民大学） ； AMAP, Alibaba Group（AMAP，阿里巴巴集团） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Malou Tech Inc（Malou科技公司）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出CIPE-Dance大规模舞蹈视频数据集和OmniDance框架，通过深度感知架构、课程学习和条件引导策略，实现文本、音乐及多模态驱动的舞蹈视频生成，达到最优性能。
Comments Accepted by ECCV 2026
Directing the World: 具有组合式人体-相机控制的快速自回归视频生成
机构 * Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院（TeleAI））
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出一种快速自回归框架，通过解耦控制学习并保持统一视频先验，实现人体运动和相机轨迹的组合控制，支持稳定长程生成与高视觉质量。
SC3-Eval: 通过自洽视频生成评估机器人基础模型
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； NVIDIA（英伟达） ； Physical Intelligence ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Allen Institute for AI（艾伦人工智能研究所）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出SC3-Eval方法，利用前向-反向动力学一致性、跨视角一致性和测试时一致性，将预训练视频基础模型转化为准确的策略评估器，在7个真实世界策略上达到0.929的皮尔逊相关系数。
PhysChoreo: 具有部分感知语义基础的物理可控视频生成
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出PhysChoreo框架，通过两阶段方法（部分感知物理属性重建与时序指导的可编辑物理模拟）从单张图像生成物理可控且逼真的视频，在多个指标上超越现有方法。
可控的第一人称视角视频生成：基于遮挡感知的稀疏3D手部关节点
机构 * ETH Zurich（苏黎世联邦理工学院） ； MPI for Informatics（信息研究所） ； Microsoft（微软）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出利用稀疏3D手部关节点作为显式控制信号，通过遮挡感知特征提取和3D加权机制，实现高保真、3D一致的第一人称手物交互视频生成。
Comments ECCV 2026
VPA-Guard：防御与基准测试图像到视频生成中的视觉提示攻击
机构 * Tsinghua University（清华大学） ； Central South University（中南大学） ； South China Normal University（华南师范大学） ； ByteDance Inc.（字节跳动公司） ； Pengcheng Laboratory（鹏城实验室）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出首个针对图像到视频生成中视觉提示攻击的系统基准VVA-Bench，并设计检索增强自进化防御框架VPA-Guard，平均降低攻击成功率44.2%和危害评分73.4%。
Comments Dataset Page: https://huggingface.co/datasets/CSU-JPG/VVA-Bench
Chorus II: 跨请求稀疏性重用用于高效图像到视频生成
机构 * Sun Yat-sen University（中山大学） ； WeChat HPC, Tencent Inc.（腾讯微信高性能计算） ； WeChat Vision, Tencent Inc.（腾讯微信视觉）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 针对图像到视频生成中计算昂贵的问题，提出跨请求稀疏性重用框架，通过共享稀疏掩码重用避免在线预测，实现2.16倍加速且保持生成质量。
BioVid: 具有生物行为语义理解的自回归视频生成
机构 * Department of Electrical Engineering, National Taiwan Ocean University（国立台湾海洋大学电子工程系） ； AI research center, National Taiwan Ocean University（国立台湾海洋大学人工智能研究中心）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出BioVid，一种数据驱动的自回归视频生成框架，通过FSQ-R3GAN分词器和因果Transformer学习生物行为的自然时长分布，无需预设长度约束。
MSAVBench：面向多镜头音频-视频生成的全面可靠评估
机构 * Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； Tongyi Lab, Alibaba Group（阿里集团通义实验室） ； Zhejiang University（浙江大学） ； Peking University（北京大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出首个多镜头音频-视频生成基准MSAVBench，通过自适应混合评估框架在四个维度上系统评估19个模型，发现当前系统在导演级控制和细粒度音视频同步上仍存在挑战。
SymphoMotion：相机运动与物体动态的联合控制以实现一致的视频生成
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shanghai Jiaotong University（上海交通大学） ； Nanjing University（南京大学） ； Beihang University（北京航空航天大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 SymphoMotion通过联合控制相机运动和物体动态，提高视频生成的一致性和表达性，其核心方法结合了相机轨迹控制与物体动态控制机制，并引入了RealCOD-25K数据集进行大规模训练和评估，显著提升了视觉保真度和物体运动准确性。
Comments CVPR 2026
LoT-Pass: 面向图像到视频生成的长期鲁棒图像水印
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)；分类 cs.CV
AI总结 针对图像引导视频生成中源图像追踪缺失的问题，提出跨模态水印框架I2VWM，通过视频模拟噪声层和光流对齐模块增强水印的时间鲁棒性，在开源和商业模型上验证了效果。
Comments Accepted by ECCV 2026
GeoT2V-Bench: 通过3D重建基准测试文本到视频模型中的3D一致性
专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV
AI总结 提出GeoT2V-Bench，通过3D重建评估相机提示的文本到视频模型能否支持刚性3D场景重建，揭示不同指标下的互补失效模式。
Comments 36 pages, 17 figures, 18 tables
UnityShots: 基于记忆的多镜头音视频生成与边界感知门控
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Kling Team, Kuaishou Technology（Kling团队，快手科技） ； Tsinghua University（清华大学） ； Sun Yat-sen University（中山大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出UnityShots，一种基于记忆的多镜头音视频生成系统，通过固定大小的长期和短期记忆槽及边界条件门控实现跨镜头连贯性，在多种条件模式下超越开源基线。
ChronoLock: 保护视频免受未经授权的文本到视频个性化
机构 * Nanyang Technological University（南洋理工大学） ； Jilin University（吉林大学） ； The University of Manchester（曼彻斯特大学）
专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV
AI总结 针对文本到视频个性化中的未经授权微调风险，提出ChronoLock框架，通过扰动时间去噪轨迹破坏运动学习过程，有效降低运动模仿质量。
TriMotion: 模态无关的摄像机控制用于视频生成
机构 * GIST（光州科学技术院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） ； Yonsei University（延世大学） ； Imperial College London（伦敦帝国理工学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出TriMotion框架，通过将视频、姿态和文本输入映射到共享运动嵌入空间，实现模态无关的摄像机控制视频生成，并引入潜在运动一致性目标，无需像素级解码即可准确跟随目标轨迹。
Comments ECCV Accepted
HarmoView: 协调多视角约束以实现身份一致视频生成
机构 * Tencent Hunyuan（腾讯混元）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出HarmoView框架，通过多级特征注入、可学习代理令牌和Jump-RoPE等架构改进，结合渐进式视角课程训练，解决大视角变化下身份一致视频生成的外观保真度问题，在多视角基准上达到最优性能。
Comments Project Page: https://conallwang.github.io/HarmoView_Pages
CULTURESCORE: 评估视频生成模型的文化忠实度
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； Netflix（网飞）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出CultureScore框架，从身份、背景和行为三个维度评估视频生成的文化忠实度，实验发现当前最佳模型得分仅56.8%，行为维度最困难。
ImageWAM：世界动作模型真的需要视频生成，还是只需要图像编辑？
机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东方理工学院） ； Tencent Robotics X（腾讯机器人X） ； Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出ImageWAM框架，利用预训练图像编辑模型替代视频生成进行机器人动作预测，通过编辑去噪的KV缓存作为世界动作上下文，在多个模拟和真实实验中优于基线，计算量降至1/6，延迟降至1/4。
Comments Project Page: https://zhangwenyao1.github.io/ImageWAM/
桥接创意意图与视觉质量：基于创作者驱动的循环视频生成与代理反馈循环
机构 * University of California, Davis（加州大学戴维斯分校） ； The Harker School（哈克学校） ； Basis Independent Silicon Valley（硅谷贝斯独立学校） ； Saratoga High（萨拉托加高中）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出CHIEF框架，通过人类-AI协作的迭代视频精炼，结合创作者驱动和代理主观反馈，提升长视频的叙事连贯性与创意方向。
Comments Accepted to the Workshop on Human-AI Co-Creativity at ICML 2026
OmniDrive: 一种由LLM编排的多智能体世界模型，用于多视角驾驶视频生成的统一潜在协同压缩
机构 * Peking University（北京大学） ； Xiamen University（厦门大学） ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； National Taiwan University（国立台湾大学） ； Wuhan University（武汉大学） ； Wuhan University of Technology（武汉理工大学） ； Tsinghua University（清华大学） ； Jimei University（集美大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出DRIVE-CHOREO，一种由LLM编排的多智能体世界模型，通过三个Qwen2.5-VL智能体协同生成位置感知的潜在序列，并利用视图-时间置换与3D VAE协同压缩，实现可控多视角视频生成，在nuScenes上达到SOTA多视角一致性和BEV mAP 21.6。
Comments 24 pages, 10 figures
PermaVid: 通过解耦上下文记忆实现编辑下的一致视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Stanford University（斯坦福大学） ； S-Lab, Nanyang Technological University（南洋理工大学S-Lab） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出PermaVid框架，利用解耦为语义外观和几何结构的上下文记忆，结合编辑感知更新策略，实现编辑操作后视频的长期一致生成。
Comments Project page: https://ys-imtech.github.io/projects/PermaVid/
Track2View: 通过配对3D点轨迹实现4D一致的相机控制视频生成
机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； University of Copenhagen（哥本哈根大学）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV
AI总结 提出Track2View，利用配对3D点轨迹为视频扩散变压器提供显式时空对应，实现新视角视频渲染，在视觉质量、视角同步和相机精度上达到最先进水平。
GeoStream：迈向精确相机控制的流式视频生成
机构 * CMU（卡内基梅隆大学） ； Northeastern University（东北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Rice University（莱斯大学） ； Snap Inc.（Snap公司） ； KAUST（阿卜杜拉国王科技大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 提出GeoStream框架，通过自刷新3D缓存和在线策略蒸馏，实现自回归流式视频生成中的精确度量级相机控制，解决了现有方法在视角移动时控制失效和分布偏移问题。
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