视频大模型

MechVerse: Evaluating Physical Motion Consistency in Video Generation Models

MechVerse：评估视频生成模型中物理运动一致性

Rahul Jain, Mayank Patel, Asim Unmesh, Karthik Ramani

机构 * School of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程学院） ； School of Mechanical Engineering, Purdue University（普渡大学机械工程学院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 MechVerse通过机械一致的图像到视频生成基准，评估视频生成模型在物理运动一致性上的不足，发现现有模型在复杂耦合中表现不佳。

Comments Under Review

Head Forcing: Long Autoregressive Video Generation via Head Heterogeneity

强制头部：通过头部异质性实现长自回归视频生成

Jiahao Tian, Yiwei Wang, Gang Yu, Chi Zhang

机构 * AGI Lab, Westlake University University of California at Merced StepFun 纠错

专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV

AI总结 本文提出Head Forcing框架，通过差异化分配KV缓存策略提升长视频生成质量，实现分钟级生成并支持多提示交互。

PhyMotion: Structured 3D Motion Reward for Physics-Grounded Human Video Generation

PhyMotion: 结构化3D运动奖励用于物理基础的人体视频生成

Yidong Huang, Zun Wang, Han Lin, Dong-Ki Kim, Shayegan Omidshafiei, Jaehong Yoon, Jaemin Cho, Yue Zhang, Mohit Bansal

机构 * UNC Chapel Hill（UNC夏洛特希尔大学） ； FieldAI ； NTU Singapore（新加坡国立大学） ； AI2 ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出PhyMotion，一种结构化的3D运动奖励机制，通过物理模拟器评估人体运动的物理可行性，提升视频生成中人体动作的真实感。

Comments First two authors contributed equally, website: https://phy-motion.github.io/

CRePE: Curved Ray Expectation Positional Encoding for Unified-Camera-Controlled Video Generation

CRePE：曲率射线期望位置编码用于统一相机控制的视频生成

Seonghyun Jin, Youngmin Kim, Sunwoo Park, Jong Chul Ye

机构 * Graduate School of AI（人工智能研究生院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出CRePE，一种基于曲率射线期望的位置编码，用于统一相机模型下的视频生成，通过几何注意力适配器稳定相机控制，提升几何感知和感知质量指标。

Comments 17 pages, 8 figures, Under review

OmniNFT: Modality-wise Omni Diffusion Reinforcement for Joint Audio-Video Generation

OmniNFT: 多模态联合音频视频生成的模态感知强化学习

Guohui Zhang, XiaoXiao Ma, Jie Huang, Hang Xu, Hu Yu, Siming Fu, Yuming Li, Zeyue Xue, Lin Song, Haoyang Huang, Nan Duan, Feng Zhao

机构 * University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； JD Explore Academy（京东探索研究院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出OmniNFT，通过模态感知强化学习框架解决多模态联合生成中的模态一致性、梯度不平衡和信用分配问题，提升音频视频感知质量与同步性能。

Comments Project page: https://zghhui.github.io/OmniNFT/

OmniHumanoid: Streaming Cross-Embodiment Video Generation with Paired-Free Adaptation

OmniHumanoid: 流式跨躯体视频生成与配对自由适应

Yiren Song, Xiyao Deng, Pei Yang, Yihan Wang, Mike Zheng Shou

机构 * Show Lab, National University of Singapore（展示实验室，新加坡国立大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出OmniHumanoid框架，通过分离可迁移运动学习与躯体特定适应，实现跨躯体视频生成，利用无配对视频进行适应，并通过分支隔离注意力设计提升运动与躯体适应的分离度。

SocialDirector: Training-Free Social Interaction Control for Multi-Person Video Generation

SocialDirector: 无训练的社会互动控制多人物视频生成

Liangyang Ouyang, Ruicong Liu, Caixin Kang, Yifei Huang, Yoichi Sato

机构 * The University of Tokyo（东京大学） ； Shanda AI Research Tokyo（Shanda AI东京研究所） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 SocialDirector通过调节交叉注意力图提升多人物视频生成的社会互动准确性，解决演员动作不匹配和社交动态紊乱问题，实验表明其能显著提升互动真实度。

EduStory: A Unified Framework for Pedagogically-Consistent Multi-Shot STEM Instructional Video Generation

EduStory: 一个统一框架，用于教学一致的多镜头STEM教学视频生成

Xinyi Wu, Jayant Teotia, Shuai Zhao, Erik Cambria

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出EduStory框架，通过整合教学状态建模、脚本引导的结构控制和学习导向评估指标，解决多镜头STEM教学视频中知识一致性与教学叙事连贯性的问题，并引入EduVideoBench基准测试以评估生成视频的质量。

AniMatrix: An Anime Video Generation Model that Thinks in Art, Not Physics

AniMatrix：一个以艺术而非物理思考的动画视频生成模型

Tencent HY Team

机构 * Tencent HY Team（腾讯HY团队） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 AniMatrix通过双通道条件机制和三步过渡，以艺术正确性替代物理正确性，实现动画视频生成，其在五个动画生产维度上获得专业动画师的认可。

Comments 37 pages, 1 main figure (qualitative comparison), 1 TikZ architecture diagram; technical report. Model weights and inference code to be released

Alice v1: Distillation-Enhanced Video Generation Surpassing Closed-Source Models

Alice v1：通过一致性蒸馏增强的视频生成超越闭源模型

Wang Xiaoyu, Phong Nguyen, Chen Zhao

机构 * Mirage Team Open Source Research（Mirage团队开源研究） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 Alice v1通过一致性蒸馏与分数正则化实现视频生成质量突破，其在自动化基准测试中超越闭源系统，且在人类偏好研究中表现优异。

Attention Sparsity is Input-Stable: Training-Free Sparse Attention for Video Generation via Offline Sparsity Profiling and Online QK Co-Clustering

注意力稀疏性是输入稳定的：通过离线稀疏性分析和在线QK共聚类实现训练自由的视频生成稀疏注意力

Jiayi Luo, Jiayu Chen, Jiankun Wang, Cong Wang, Hanxin Zhu, Qingyun Sun, Chen Gao, Zhibo Chen, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering, Beihang University（软件学院，北京航空航天大学） ； Beihang University（北京航空航天大学） ； School of Computer Science, Peking University（北京大学计算机学院） ； the State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； BNRist, Tsinghua University（北京理工大学，清华大学） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出SVOO框架，通过离线层间稀疏性分析和在线双向共聚类实现训练自由的视频生成稀疏注意力，解决传统方法中层异质性和查询-键耦合问题，提升生成质量与速度的平衡。

Comments Accepted by ICML 2026

Multimodal Diffusion Transformer with Memory Bank for Scalable Long-Duration Talking Video Generation

具有内存库的多模态扩散变换器用于可扩展的长时谈话视频生成

Haojie Zhang, Zhihao Liang, Ruibo Fu, Bingyan Liu, Zhengqi Wen, Xuefei Liu, Jianhua Tao, Yaling Liang

机构 * South China University of Technology（南方科技大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing National Research Center for Information Science and Technology, Tsinghua University（北京信息科学研究中心，清华大学） ； Department of Automation, BNRist, Tsinghua University（清华大学自动化系，北京信息科学研究中心） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出 LetsTalk 框架，通过多模态指导和内存库机制解决长时谈话视频生成中的质量、一致性、时间连贯性和计算效率问题，实验表明其在生成质量和效率上达到新水平。

Comments 16 pages, 25 figures

MACE-Dance: Motion-Appearance Cascaded Experts for Music-Driven Dance Video Generation

MACE-Dance: 基于动作-外观级联专家的音乐驱动舞蹈视频生成

Kaixing Yang, Jiashu Zhu, Xulong Tang, Ziqiao Peng, Xiangyue Zhang, Puwei Wang, Jiahong Wu, Xiangxiang Chu, Hongyan Liu, Jun He

机构 * Renmin University of China（中国人民大学） ； AMAP, Alibaba Group（阿里集团AMAP） ； Wuhan University（武汉大学） ； Tsinghua University（清华大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出MACE-Dance框架，结合级联混合专家模型，实现音乐驱动的高质量舞蹈视频生成，通过动作和外观专家分别生成3D动作和视频，提升视觉一致性和动作真实感。

Comments Accepted by SIGGRAPH 2026

Sparse VideoGen2: Accelerate Video Generation with Sparse Attention via Semantic-Aware Permutation

稀疏视频生成2：通过语义感知排列加速视频生成

Shuo Yang, Haocheng Xi, Yilong Zhao, Muyang Li, Jintao Zhang, Han Cai, Yujun Lin, Xiuyu Li, Chenfeng Xu, Jianfei Chen, Song Han, Kurt Keutzer, Ion Stoica

机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出SVG2框架，通过语义感知排列提升视频生成的准确性和效率，实现生成质量与效率的帕累托最优。

DOLLAR: Few-Step Video Generation via Distillation and Latent Reward Optimization

DOLLAR: 通过蒸馏和潜在奖励优化实现少步视频生成

Zihan Ding, Chi Jin, Difan Liu, Haitian Zheng, Krishna Kumar Singh, Qiang Zhang, Yan Kang, Zhe Lin, Yuchen Liu

机构 * Princeton University（普林斯顿大学） ； Adobe Research（Adobe研究） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出结合变分分数蒸馏和一致性蒸馏的方法，实现高质量且多样化的少步视频生成，并通过潜在奖励模型微调提升生成性能，实现高效生成。

MTAVG-Bench: A Diagnostic Benchmark for Multi-Talker Dialogue-Centric Audio-Video Generation

MTAVG-Bench: 多说话人对话中心音频视频生成的诊断基准

Yang-Hao Zhou, Haitian Li, Rexar Lin, Heyan Huang, Jinxing Zhou, Changsen Yuan, Tian Lan, Ziqin Zhou, Yudong Li, Jiajun Xu, Jingyun Liao, Yi-Ming Cheng, Xuefeng Chen, Xian-Ling Mao, Yousheng Feng

机构 * Beijing Institute of Technology（北京理工大学） ； Shanghai University（上海大学） ； OpenNLP Lab（OpenNLP实验室） ； Beijing University of Technology（北京工业大学） ； The University of Adelaide（阿德莱德大学） ； Tsinghua University（清华大学） ； Inkeverse Group Limited（Inkeverse集团） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.MM

AI总结 本文提出MTAVG-Bench，用于评估多说话人对话中心音频视频生成的失败模式诊断，通过半自动化流程生成1.8k视频并标注2.4k问答对，评估音频视频信号保真度、时间属性一致性、社交互动和电影表现四个层面。

DepthPilot: From Controllability to Interpretability in Colonoscopy Video Generation

DepthPilot：从可控性到可解释性在结肠镜视频生成中

Junhu Fu, Ke Chen, Weidong Guo, Shuyu Liang, Jie Xu, Chen Ma, Kehao Wang, Shengli Lin, Zeju Li, Yuanyuan Wang, Yi Guo, Shuo Li

机构 * College of Biomedical Engineering, Fudan University, Shanghai 200433, China（复旦大学生物医学工程学院） ； Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention of Shanghai, Shanghai 200032, China（上海医学影像计算与计算机辅助干预重点实验室） ； Endoscopy Research Institute, Zhongshan Hospital, Fudan University, Shanghai 200032, China（复旦大学中山医院内窥镜研究所） ； Shanghai Collaborative Innovation Center of Endoscopy, Shanghai 200032, China（上海内窥镜协同创新中心） ； Department of Biomedical Engineering, Case Western Reserve University, Cleveland, OH 44106, USA（凯斯西储大学生物医学工程系） ； Department of Computer and Data Science, Case Western Reserve University, Cleveland, OH 44106, USA（凯斯西储大学计算机与数据科学系） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出DepthPilot框架，通过几何对齐策略和自适应样条去噪模块，实现结肠镜视频生成的可控性与可解释性，取得高FID分数和临床评估领先成果。

Video Compression Meets Video Generation: Latent Inter-Frame Pruning with Attention Recovery

视频压缩与视频生成的交汇：具有注意力恢复的潜在帧剪枝

Dennis Menn, Yuedong Yang, Bokun Wang, Xiwen Wei, Mustafa Munir, Feng Liang, Radu Marculescu, Chenfeng Xu, Diana Marculescu

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出LIPAR框架，通过利用视频潜在补丁中的时间冗余性，减少计算延迟，提升视频编辑效率，同时保持生成质量。

A Systematic Post-Train Framework for Video Generation

视频生成的系统性后训练框架

Zeyue Xue, Siming Fu, Jie Huang, Shuai Lu, Haoran Li, Yijun Liu, Yuming Li, Xiaoxuan He, Mengzhao Chen, Haoyang Huang, Nan Duan, Ping Luo

机构 * The University of Hong Kong（香港大学） ； JD Explore Academy（京东探索研究院） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） 纠错

专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV

AI总结 本文提出系统性后训练框架，通过四个协同阶段提升视频生成的视觉质量、时间一致性和指令遵循性，同时保持预训练阶段的可控性。

Comments Tech report

SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation

SynMotion: 语义-视觉适应用于运动定制视频生成

Shuai Tan, Biao Gong, Yujie Wei, Shiwei Zhang, Zhuoxin Liu, Ke Ma, Yan Wang, Kecheng Zheng, Xing Zhu, Yujun Shen, Hengshuang Zhao

机构 * The University of Hong Kong（香港大学） ； Ant Group（蚂蚁集团） ； Tongyi（通义） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Huazhong University of Science and Technology（华中科技大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 SynMotion通过联合语义指导和视觉适应，解决视频生成中语义与视觉信息的平衡问题，提出双嵌入语义理解机制和参数高效运动适配器，提升运动细节和时间一致性。

Comments Project page: https://lucaria-academy.github.io/SynMotion/

StructAlign: Structured Cross-Modal Alignment for Continual Text-to-Video Retrieval

StructAlign：结构化跨模态对齐用于连续文本到视频检索

Shaokun Wang, Weili Guan, Jizhou Han, Jianlong Wu, Yupeng Hu, Liqiang Nie

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Xi’an Jiaotong University（西安交通大学） ； Shandong University（山东大学） 纠错

专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV

AI总结 本文提出StructAlign，通过结构化跨模态对齐方法解决连续文本到视频检索中的模态错位和特征漂移问题，提升模型持续学习能力。

Exploring the Role of Synthetic Data Augmentation in Controllable Human-Centric Video Generation

探索合成数据增强在可控人类中心视频生成中的作用

Yuanchen Fei, Yude Zou, Zejian Kang, Ming Li, Jiaying Zhou, Xiangru Huang

机构 * Hunan University（湖南大学） ； Westlake University（西湖大学） ； Shanghai Jiaotong University（上海交通大学） ； Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Sun Yat-Sen University（中山大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文研究合成数据对可控人类视频生成的影响，提出基于扩散的框架实现细粒度控制，并通过实验揭示合成与真实数据的互补作用，为高效选择合成样本提升视频真实感提供方法。

EchoTorrent: Towards Swift, Sustained, and Streaming Multi-Modal Video Generation

EchoTorrent: 向快速、持续和流式多模态视频生成迈进

Rang Meng, Weipeng Wu, Yuming Li, Chenguang Ma

机构 * Ant Group（蚂蚁集团） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出EchoTorrent框架，通过四重设计提升多模态视频生成的效率与稳定性，实现快速、持续和流式生成，增强时空一致性与音频唇同步性能。

Memorize When Needed: Decoupled Memory Control for Spatially Consistent Long-Horizon Video Generation

按需记忆：用于空间一致长时视频生成的解耦记忆控制

Yanjun Guo, Zhengqiang Zhang, Pengfei Wang, Xinyue Liang, Zhiyuan Ma, Lei Zhang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出解耦框架，分离记忆条件与生成过程，提升空间一致性并保持生成能力。通过轻量记忆分支和跨帧注意力机制，实现高效且高质量的长时视频生成。

Comments 24 pages, with supplementary material

AdaCluster: Adaptive Query-Key Clustering for Sparse Attention in Video Generation

AdaCluster：用于视频生成中稀疏注意力的自适应查询-键聚类

Haoyue Tan, Shengnan Wang, Yulin Qiao, Juncheng Zhang, Youhui Bai, Ping Gong, Zewen Jin, Cheng Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） ； Independent Researcher（独立研究员） ； University of Macau（澳门大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV

AI总结 针对视频扩散变换器的高推理延迟问题，提出AdaCluster框架，通过自适应聚类方法提升生成速度并保持精度。

Comments CVPR 2026 poster

CamPVG: Camera-Controlled Panoramic Video Generation with Epipolar-Aware Diffusion

CamPVG：基于视图控制的全景视频生成与视图感知扩散

Chenhao Ji, Chaohui Yu, Junyao Gao, Fan Wang, Cairong Zhao

机构 * Tongji University（同济大学） ； DAMO Academy, Alibaba Group（阿里达摩院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出CamPVG，首个基于视图控制的全景视频生成框架，通过全景Plücker嵌入和视图感知模块提升生成视频的质量与一致性。

Comments SIGGRAPH Asia 2025

OmniShow: Unifying Multimodal Conditions for Human-Object Interaction Video Generation

OmniShow：统一多模态条件以生成人-物体交互视频

Donghao Zhou, Guisheng Liu, Hao Yang, Jiatong Li, Jingyu Lin, Xiaohu Huang, Yichen Liu, Xin Gao, Cunjian Chen, Shilei Wen, Chi-Wing Fu, Pheng-Ann Heng

机构 * The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出OmniShow框架，统一文本、图像、音频和姿态多模态条件，解决人-物体交互视频生成中的可控性与质量平衡问题，通过统一通道条件和门控局部上下文注意力实现高效生成，建立HOIVG-Bench基准测试平台，取得多模态条件下的最佳性能。

Comments Project page: https://correr-zhou.github.io/OmniShow/

DriveLaW:Unifying Planning and Video Generation in a Latent Driving World

DriveLaW：在潜在驾驶世界中统一规划与视频生成

Tianze Xia, Yongkang Li, Lijun Zhou, Jingfeng Yao, Kaixin Xiong, Haiyang Sun, Bing Wang, Kun Ma, Guang Chen, Hangjun Ye, Wenyu Liu, Xinggang Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米电动车） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 DriveLaW通过统一视频生成与运动规划，提升自动驾驶中的预测与规划性能，实现视频生成与轨迹规划的一致性，取得新的state-of-the-art结果。

Comments 18 pages, 6 figures, CVPR 2026

Seedance 2.0: Advancing Video Generation for World Complexity

Seedance 2.0：提升世界复杂度的视频生成

Team Seedance, De Chen, Liyang Chen, Xin Chen, Ying Chen, Zhuo Chen, Zhuowei Chen, Feng Cheng, Tianheng Cheng, Yufeng Cheng, Mojie Chi, Xuyan Chi, Jian Cong, Qinpeng Cui, Fei Ding, Qide Dong, Yujiao Du, Haojie Duanmu, Junliang Fan, Jiarui Fang, Jing Fang, Zetao Fang, Chengjian Feng, Yu Gao, Diandian Gu, Dong Guo, Hanzhong Guo, Qiushan Guo, Boyang Hao, Hongxiang Hao, Haoxun He, Jiaao He, Qian He, Tuyen Hoang, Heng Hu, Ruoqing Hu, Yuxiang Hu, Jiancheng Huang, Weilin Huang, Zhaoyang Huang, Zhongyi Huang, Jishuo Jin, Ming Jing, Ashley Kim, Shanshan Lao, Yichong Leng, Bingchuan Li, Gen Li, Haifeng Li, Huixia Li, Jiashi Li, Ming Li, Xiaojie Li, Xingxing Li, Yameng Li, Yiying Li, Yu Li, Yueyan Li, Chao Liang, Han Liang, Jianzhong Liang, Ying Liang, Wang Liao, J. H. Lien, Shanchuan Lin, Xi Lin, Feng Ling, Yue Ling, Fangfang Liu, Jiawei Liu, Jihao Liu, Jingtuo Liu, Shu Liu, Sichao Liu, Wei Liu, Xue Liu, Zuxi Liu, Ruijie Lu, Lecheng Lyu, Jingting Ma, Tianxiang Ma, Xiaonan Nie, Jingzhe Ning, Junjie Pan, Xitong Pan, Ronggui Peng, Xueqiong Qu, Yuxi Ren, Yuchen Shen, Guang Shi, Lei Shi, Yinglong Song, Fan Sun, Li Sun, Renfei Sun, Wenjing Tang, Boyang Tao, Zirui Tao, Dongliang Wang, Feng Wang, Hulin Wang, Ke Wang, Qingyi Wang, Rui Wang, Shuai Wang, Shulei Wang, Weichen Wang, Xuanda Wang, Yanhui Wang, Yue Wang, Yuping Wang, Yuxuan Wang, Zijie Wang, Ziyu Wang, Guoqiang Wei, Meng Wei, Di Wu, Guohong Wu, Hanjie Wu, Huachao Wu, Jian Wu, Jie Wu, Ruolan Wu, Shaojin Wu, Xiaohu Wu, Xinglong Wu, Yonghui Wu, Ruiqi Xia, Xin Xia, Xuefeng Xiao, Shuang Xu, Bangbang Yang, Jiaqi Yang, Runkai Yang, Tao Yang, Yihang Yang, Zhixian Yang, Ziyan Yang, Fulong Ye, Bingqian Yi, Xing Yin, Yongbin You, Linxiao Yuan, Weihong Zeng, Xuejiao Zeng, Yan Zeng, Siyu Zhai, Zhonghua Zhai, Bowen Zhang, Chenlin Zhang, Heng Zhang, Jun Zhang, Manlin Zhang, Peiyuan Zhang, Shuo Zhang, Xiaohe Zhang, Xiaoying Zhang, Xinyan Zhang, Xinyi Zhang, Yichi Zhang, Zixiang Zhang, Haiyu Zhao, Huating Zhao, Liming Zhao, Yian Zhao, Guangcong Zheng, Jianbin Zheng, Xiaozheng Zheng, Zerong Zheng, Kuan Zhu, Feilong Zuo

机构 * ByteDance Seed（字节跳动Seed） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 Seedance 2.0通过统一高效架构提升多模态音频视频生成能力，支持文本、图像、音频、视频四种输入模态，提供高质量生成体验。

Comments Seedance 2.0 Model Card

Action Images: End-to-End Policy Learning via Multiview Video Generation

动作图像：通过多视图视频生成实现端到端策略学习

Haoyu Zhen, Zixian Gao, Qiao Sun, Yilin Zhao, Yuncong Yang, Yilun Du, Pengsheng Guo, Tsun-Hsuan Wang, Yi-Ling Qiao, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； NVIDIA（英伟达） ； Harvard University（哈佛大学） ； Genesis AI 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出Action Images，通过多视图视频生成实现策略学习，利用像素化的动作表示，使视频模型本身成为零样本策略，提升视频-动作联合生成质量。

Comments Project Page: https://actionimages.github.io/