TV2TV: A Unified Framework for Interleaved Language and Video Generation
TV2TV：一种用于交错语言和视频生成的统一框架
机构 * Meta FAIR
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 TV2TV通过统一框架实现语言与视频生成的交错过程，提升视频生成的视觉质量和可控性。
AI 大模型
视频大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
1. 视频生成 2171 篇
Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation
Any2Caption：任何条件到字幕以实现可控视频生成
机构 * Kuaishou Technology（快手科技） ； National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 Any2Caption通过多模态大语言模型实现任何条件到字幕的可控视频生成，提升视频生成的可控性和质量。
Comments Project Page: https://sqwu.top/Any2Cap/
AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation
AlcheMinT：多参考一致视频生成的细粒度时间控制
机构 * Snap Inc. ； UC Merced（加州大学默塞德分校）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 AlcheMinT通过引入显式时间戳条件化，实现了多主体视频生成中的细粒度时间控制，提升了视频生成的精确性和保真度。
Comments Project page: https://snap-research.github.io/Video-AlcheMinT/snap-research.github.io/Video-AlcheMinT
ShotDirector: Directorially Controllable Multi-Shot Video Generation with Cinematographic Transitions
ShotDirector: 电影化可控多镜头视频生成
机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 ShotDirector通过整合参数级相机控制和分层编辑模式感知提示，实现了电影化可控的多镜头视频生成。
Comments Project Page: https://uknowsth.github.io/ShotDirector/
StereoWorld: Geometry-Aware Monocular-to-Stereo Video Generation
StereoWorld: 一种基于几何的单目到立体视频生成方法
机构 * Beijing Jiaotong University（北京交通大学） ； Dzine AI ； University of Toronto（多伦多大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 StereoWorld通过几何感知正则化和时空拼接方案，实现高效高质量的单目到立体视频生成。
Video4Spatial: Towards Visuospatial Intelligence with Context-Guided Video Generation
Video4Spatial: 通过基于场景的视频生成实现视觉空间智能
机构 * Netflix ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Eyeline Studios
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV
AI总结 Video4Spatial通过仅使用视频数据训练的生成模型，实现了复杂空间任务的视觉空间智能，展示了视频生成模型在空间推理中的潜力。
Comments Project page at https://xizaoqu.github.io/video4spatial/
UnityVideo: Unified Multi-Modal Multi-Task Learning for Enhancing World-Aware Video Generation
UnityVideo: 一体化多模态多任务学习以增强世界感知视频生成
机构 * HKUST（香港科技大学） ； CUHK（香港中文大学） ； Tsinghua University（清华大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 UnityVideo通过一体化多模态多任务学习提升视频生成的世界感知能力，引入动态噪声化和模态切换器，实现更全面的世界知识表示。
Comments Project Website https://jackailab.github.io/Projects/UnityVideo
WorldReel: 4D Video Generation with Consistent Geometry and Motion Modeling
WorldReel：基于一致几何和运动建模的4D视频生成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Adobe Research（Adobe研究） ； University College London（伦敦大学学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 WorldReel通过联合生成RGB帧和4D场景表示，实现了动态场景和移动摄像机下的4D一致视频生成，提升了几何一致性与运动一致性。
OneStory: Coherent Multi-Shot Video Generation with Adaptive Memory
OneStory: 通过自适应记忆实现连贯的多镜头视频生成
机构 * University of Copenhagen（哥本哈根大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 OneStory通过自适应记忆实现多镜头视频生成，提升叙事连贯性和生成质量。
Comments Project Page: https://zhaochongan.github.io/projects/OneStory
Scaling Zero-Shot Reference-to-Video Generation
缩放零样本参考到视频生成
机构 * Meta AI ； King's College London
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 Saber通过零样本框架实现高效参考到视频生成，无需显式数据，通过掩码训练和注意力模型提升泛化能力。
Comments Website: https://franciszzj.github.io/Saber/
Collaborative Face Experts Fusion in Video Generation: Boosting Identity Consistency Across Large Face Poses
视频生成中的协作面部专家融合：提升大面部姿态下的身份一致性
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tencent Youtu Lab（腾讯优图实验室） ； National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出协作面部专家融合方法，通过动态融合身份、语义和细节专家信号，提升大姿态下视频生成的身份一致性，并构建了大规模姿态标注数据集。
Comments Project page: https://rain152.github.io/CoFE/
GeoVideo: Introducing Geometric Regularization into Video Generation Model
GeoVideo: 在视频生成模型中引入几何正则化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； Hupan Lab（鸿篇实验室）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 GeoVideo通过引入几何正则化损失，提升视频生成的时空一致性和几何结构合理性。
Comments Project Page: https://geovideo.github.io/GeoVideo/
GalaxyDiT: Efficient Video Generation with Guidance Alignment and Adaptive Proxy in Diffusion Transformers
GalaxyDiT：通过引导对齐和自适应代理实现高效的视频生成
机构 * Massachusetts Institute of Technology（麻省理工学院） ； NVIDIA（英伟达）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 GalaxyDiT通过引导对齐和自适应代理选择，提升视频生成效率，实现高达2.37倍的速度提升并保持高质量输出
MultiShotMaster: A Controllable Multi-Shot Video Generation Framework
MultiShotMaster: 一种可控的多镜头视频生成框架
机构 * Dalian University of Technology（大连理工大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 MultiShotMaster通过引入两种新型RoPE变体和自动化数据标注管道，实现多镜头视频的灵活生成与可控性。
Comments Project Page: https://qinghew.github.io/MultiShotMaster
Benchmarking Scientific Understanding and Reasoning for Video Generation using VideoScience-Bench
基于视频科学基准的视频生成科学理解与推理评估
机构 * University of California, San Diego（加州大学圣地亚哥分校）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 VideoScience-Bench是首个评估视频模型科学理解和推理能力的基准测试，通过200个精心设计的提示评估模型在物理和化学领域的科学推理能力。
YingVideo-MV: Music-Driven Multi-Stage Video Generation
YingVideo-MV: 基于音乐的多阶段视频生成
机构 * AI Lab, GiantNetwork（人工智能实验室）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 YingVideo-MV通过整合音频语义分析、时间感知扩散模型和摄像机运动控制模块，实现了基于音乐的高质量视频生成。
Comments 18 pages, 6 figures
Progressive Image Restoration via Text-Conditioned Video Generation
通过文本条件视频生成实现渐进式图像修复
机构 * Department of Computer Science, University of Illinois Springfield（伊利诺伊大学斯普林菲尔德分校计算机科学系） ； School of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程学院）
专题命中 视频生成 ：video generation(title)；text-to-video(abstract)；分类 cs.CV
AI总结 本研究通过微调CogVideo，利用文本条件视频生成实现图像渐进式修复，提升感知度量并展示强泛化能力。
Comments First two authors contributed equally to this work. IEEE ICNC Accepted
SpriteHand: Real-Time Versatile Hand-Object Interaction with Autoregressive Video Generation
SpriteHand: 实时多样的手-物体交互与自回归视频生成
机构 * HKUST (Guangzhou)（香港科技大学（广州）） ； XMax.AI Ltd.（XMax人工智能有限公司） ； Nanyang Technological University（南洋理工大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 SpriteHand通过自回归视频生成框架实现实时高质量手-物体交互视频合成，支持多种物体和运动模式，具有高视觉真实性和物理合理性。
PanFlow: Decoupled Motion Control for Panoramic Video Generation
PanFlow：全景视频生成的解耦运动控制
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 PanFlow通过解耦动态摄像机旋转与输入光学流，提升全景视频生成的运动控制精度和质量。
Comments Accepted by AAAI. Code: https://github.com/chengzhag/PanFlow
FreeSwim: Revisiting Sliding-Window Attention Mechanisms for Training-Free Ultra-High-Resolution Video Generation
FreeSwim: 重新审视滑动窗口注意力机制以实现无训练超高清视频生成
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Xi’an Jiaotong University（西安交通大学） ； National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(title)；video diffusion(abstract)；分类 cs.CV
AI总结 FreeSwim通过无训练滑动窗口注意力机制实现超高清视频生成，提升效率并保持视觉细节。
Comments 23 pages, 14 figures
AnyTalker: Scaling Multi-Person Talking Video Generation with Interactivity Refinement
AnyTalker: 通过交互细化扩展多人物谈话视频生成
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Video Rebirth（视频重生） ； Zhejiang University（浙江大学） ； Beijing Jiaotong University（北京交通大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 AnyTalker通过引入身份感知注意力机制和高效训练流程，实现了多人物谈话视频生成的高可扩展性和自然交互性。
Comments Homepage: https://hkust-c4g.github.io/AnyTalker-homepage
McSc: Motion-Corrective Preference Alignment for Video Generation with Self-Critic Hierarchical Reasoning
McSc: 基于自批评分层推理的视频生成运动校正偏好对齐
机构 * Tongyi Lab, Alibaba Group（阿里集团通义实验室）
专题命中 视频生成 ：video generation(title)；text-to-video(abstract)；分类 cs.CV
AI总结 McSc通过自批评分层推理框架，提升视频生成中对人类偏好的对齐精度，减少对低运动内容的偏见。
Efficient Training for Human Video Generation with Entropy-Guided Prioritized Progressive Learning
高效训练人类视频生成的熵引导优先级渐进学习
机构 * Stanford University（斯坦福大学） ； North China Electric Power University（华北电力大学） ； University of Adelaide（阿德莱德大学） ； University of Technology Sydney（悉尼技术大学） ； 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 本文提出熵引导优先级渐进学习方法，通过条件熵膨胀和自适应渐进计划，高效训练扩散模型生成人类视频，实现训练速度提升和内存消耗降低。
Comments Project page: https://github.com/changlin31/Ent-Prog
ConceptGuard: Proactive Safety in Text-and-Image-to-Video Generation through Multimodal Risk Detection
ConceptGuard：通过多模态风险检测实现文本-图像到视频生成的主动安全
机构 * CUHK MMLab（香港中文大学多模态实验室） ； Future Lab, Alibaba Group（阿里巴巴集团未来实验室） ； Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 ConceptGuard通过多模态风险检测实现文本-图像到视频生成的主动安全，优于现有方法。
Force Prompting: Video Generation Models Can Learn and Generalize Physics-based Control Signals
力提示：视频生成模型可以学习并泛化基于物理的控制信号
机构 * Brown University（布朗大学） ； Google DeepMind（谷歌DeepMind）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出力提示方法，通过物理力信号生成逼真视频，利用视觉和运动先验实现物理控制信号的泛化，提升世界模型的物理真实性。
Comments Camera ready version (NeurIPS 2025). Code and interactive demos at https://force-prompting.github.io/
A Reason-then-Describe Instruction Interpreter for Controllable Video Generation
用于可控视频生成的指令解释器
机构 * Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 ReaDe通过推理后再描述的方法，将模糊用户指令转化为精确规范，提升可控视频生成的准确性和质量。
Comments 27 pages, 13 figures, 13 tables, Project Page: https://sqwu.top/ReaDe/
Bootstrapping Physics-Grounded Video Generation through VLM-Guided Iterative Self-Refinement
通过VLM引导的迭代自优化提升物理导向的视频生成
机构 * School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） ； School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出一种通过VLM引导的迭代自优化方法，提升视频生成的物理一致性，实验显示在PhyIQ基准上得分提升明显。
Comments ICCV 2025 Physics-IQ Challenge Third Place Solution
Exo2EgoSyn: Unlocking Foundation Video Generation Models for Exocentric-to-Egocentric Video Synthesis
Exo2EgoSyn: 解锁用于外视图到内视图视频合成的基础视频生成模型
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 Exo2EgoSyn通过三个模块实现从第三人称视角生成高保真内视图视频，提升跨视角视频合成能力。
Rectified SpaAttn: Revisiting Attention Sparsity for Efficient Video Generation
校正SpaAttn：重新审视注意力稀疏性以实现高效的视频生成
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出Rectified SpaAttn，通过校正注意力分配提升视频生成效率，实现显著速度提升且保持生成质量。
Comments Code at https://github.com/BienLuky/Rectified-SpaAttn
Beyond Reward Margin: Rethinking and Resolving Likelihood Displacement in Diffusion Models via Video Generation
超越奖励边际：通过视频生成重新思考和解决扩散模型中的似然位移
机构 * Zhejiang University（浙江大学） ； Tencent（腾讯）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出PG-DPO方法，通过结合ARS和IPR缓解扩散模型中的似然位移问题，提升视频生成任务的偏好对齐性能。
