视觉与视频

这项工作把“实时编辑”和“长视频一致性”放到同一套系统里解决。作者提出 JoyAI-Video-Edit，用自回归扩散、源锚定蒸馏和长程蒸馏，尝试在低延迟条件下保持画面忠实与时间连贯。

Motion Beyond Morphology（MBM）提出一种新的运动迁移思路：不再要求参考对象与目标对象拥有固定结构对应，而是学习可跨形态保留的抽象运动。该方法面向同类、近类与远类对象的视频生成任务，强调运动一致性与目标外观保持。

InfiniSplat 面向单图新视角合成，试图解决现有前馈式 3D Gaussian Splatting 在大视角变化下结构容易散乱的问题。它用几何引导采样和隐式高斯解码，将高斯表示从像素网格推向更贴近场景表面的布局。

一篇新论文提出 3DarkFusion，将极低照度下的噪声 RGB 与近红外信息放到 3D 空间中融合，无需干净 RGB 图像作为监督。其核心价值在于降低数据采集门槛，并提升不同噪声条件下的鲁棒性。

Meshy T2 试图绕开自回归网格生成的速度瓶颈，以 Flow Matching 和顶点级连续潜变量直接生成可用于 3D 流水线的多边形网格。

AI 视频创业公司 Pippa 试图用授权、署名页和收益分成来缓和艺术家与生成式 AI 之间的冲突。但它仍绕不开一个关键矛盾：底层模型依然部分建立在未经明确同意抓取的网络内容之上。

VideoCoCo 提出一种双引擎视频生成框架：先由智能体把文本提示转写为可执行 Blender 程序，再用生成式视频引擎把模拟草稿转成写实视频。它试图解决文本到视频模型在物理一致性上的短板。

ID-V2V 聚焦“身份保持的视频重风格化”：只需编辑关键帧，就能把场景、光照和风格变化传播到整段视频，同时尽量保留人物长相、表情、视线和口型同步。

O-VAD 提出一种免训练的工业视频异常检测框架，通过对象级分割、跟踪与状态轨迹推理，定位生产流程中的异常物体与异常过程。其核心观点是：前沿视觉语言模型在工业场景失灵，往往不是不会推理，而是缺少足够细的对象证据。

这篇论文关注条件视频生成在 3D 场景长程渲染中的一个关键痛点：镜头回到同一地点时，外观常常被重新生成得不一致。作者提出一种无需后训练的“闭环记忆”机制，利用 3D 引擎已有的位姿、深度与重投影信息提升重访一致性。

SANA-Video 2.0 试图在视频扩散 Transformer 中兼顾画质与效率：大部分层使用线性注意力，周期性插入 softmax 注意力作为“锚点”。论文称，该方案可在单张 H100 上实现最高 720p 的高质量视频生成，并显著降低长视频推理成本。

Self Gradient Forcing 针对自回归视频扩散模型中的“历史上下文梯度缺口”，尝试让未来帧的损失反向监督早期生成内容如何写入更有用的 KV 记忆。该方法以两阶段训练在不完整回传长序列 rollout 的前提下，提升长视频外推的一致性。

TimeLens2 将视频时序定位重新表述为“区间集合”问题，让模型不仅回答视频里发生了什么，还能给出支撑答案的时间片段。其 2B、4B、8B 版本在多项基准中相对 Qwen3-VL 骨干模型取得明显提升。

这篇工作试图解决一个长期痛点：视频编辑数据难采、成本高、任务类型又不够丰富。FlowMimic提出一种不用掩码的生成与编辑框架，把图像编辑样本实时转成视频编辑样本，并让模型在图像与视频两种模态之间相互“模仿”。

HOMIE 面向人-对象中心的视频个性化，试图同时解决“像不像本人”和“互动对不对”这两类难题。它把多模态大模型知识更自然地接入视频生成流程，提升了对参考信息的理解能力。

REBASE 提出一种训练自由的 in-context segmentation 方法，通过移除参考图像中的背景特征子空间，降低跨图像匹配时的背景干扰。它与 SAM 等可提示分割模型结合，在多个数据集上刷新训练自由方法表现。

VideoChat3 试图同时解决开源视频多模态模型的三类痛点：泛化不足、计算成本高、开放程度不完整。它以 4B 参数规模，在通用、长视频与流式视频理解任务上强调效率与覆盖面的平衡。

一篇 arXiv 论文提出 BitMind Forensics：通过开放式对抗竞赛持续刷新训练分布的深度伪造检测系统。其在 19 个公开数据集上的结果显示，动态检测框架在野外图像、视频与生成式媒体评测中明显优于多种静态开源检测器。

VideoRAE 试图把冻结的视频基础模型表征，转化为既能重建、又适合生成模型使用的视频潜变量。相比传统 3D-VAE，它更强调语义与时空结构，而不只是像素级还原。

一篇 arXiv 新论文以满文历史文献为案例，探索用“多专家+页面级路由”解决低资源、多书体 OCR 难题。系统复用微调过程中的检查点作为专家，并由轻量分类器按视觉风格分发页面。

一篇面向 ABAW11 多任务学习挑战的论文提出：在人脸情感分析中，与其强行使用统一架构，不如针对效价-唤醒、表情类别和面部动作单元分别选择特征融合与后处理策略。