KAIST新方法：点跟踪监督4D视频生成，几何一致性更稳
这篇论文最有意思的地方，不是又堆了一个更大的生成模型，而是盯上了扩散模型里“偷偷干活”的注意力层。它把多视角点跟踪塞进训练里，专门修理几何和运动一致性，思路很聪明。
标签：多模态
共 200 篇
CVPR 2026思路很新：EVIS把视频分成事件再分割
视频里常常不止一个事件，硬把它们当成“一锅粥”来分割，模型就容易看花眼。EVIS干脆先把视频拆成简单事件，再一段一段对齐文本，思路挺顺手。
CHI 2026新研究：草图+标签，竟不如打字省心？
这篇论文表面看是在研究“草图、文字、标签”哪种提示方式更好，实际上是在追问：AI把设计流程变得太顺滑，会不会顺手把设计思考也磨平了？SketchifAI给出的答案不算简单，值得细看。
CORTEX来了：3D胸部CT推理首次变成可验证结构
这篇工作最有意思的地方，不是又做了一个医疗问答集，而是把“医生怎么想”这件事拆成了能检查、能打分、能复核的结构。对3D胸部CT来说，这比只看最终答案靠谱多了。
视频生成告别翻车？PhysRAG先检索再注入
这篇 PhysRAG 很像给视频生成模型补了一本“物理常识小抄”：先把高质量物理视频筛出来，再把相关参考视频检索出来喂给模型。结果不光物理更靠谱，视觉质量也没掉链子，挺适合想看“RAG 怎么跨到视频生成里”的读者。
ECCV 2026新作：AMG-Fuse让恶劣天气融合更稳了
这篇 AMG-Fuse 很会“借力打力”：不死磕把退化图硬修到完美，而是先用伪真值把训练方向扶正，再用掩码把每个模态该出力的地方分清楚。雪、雨、雾都能一起照顾到，还顺手把下游检测也拉了一把，属于很实用的那种新方法。
生成AI老“画”不对？浙大新方法GAZER：让自回归模型在生成中“自纠错”，无需重新训练！
生成AI经常“画不对题”？这可能是顶尖模型也无法避免的“语法错误”。浙大联合山大的GAZER，不走寻常路，它不重训模型，而是在生成过程中，让模型自己扮演“质检员”，通过多模态大模型“复盘”草稿，发现错误后“回炉重造”，简单一招就让图像和视频生成的语义对齐效果显著提升。同类工作中，GAZER切中了核心痛点，非常值得一看！
中国电信&西安交大最新SOTA！InteractiveAvatar：实时流式生成，视频头像也能听懂你的话
能让数字人听懂你说话的“套路”来了！InteractiveAvatar不仅能把语音转成视频，还能理解“看一下手表几点了”这种复杂意图，并做出相应动作。在长达数分钟的无限流式生成中，画面一致性还吊打一众对手，实时推理速度更是达到26.68 FPS。
扫地机为啥老让你猜谜？最新研究教你机器人“说人话”
LED灯闪和机器人又扭头又说话，你更信哪个？这篇论文竟然在德国博物馆实地“抓”观众来做实验！结果既在意料之外，又在情理之中——视频里看着很清晰的信号，一到真实世界，效果直接打对折。下次家里扫地机对你狂闪红灯，你可要仔细琢磨一下它到底想干嘛了！
Meta最新研究：一张照片就能生成4D人-物交互动画，效果效果优于单令牌方法！
只需一张图片，就能精准控制4D人-物交互动画中的姿态、接触、布局细节。Meta联合马普所、阿姆斯特丹大学等机构提出的IMAGIN-4D，用“空间-时间”双重解耦的图像条件化策略，把生成图像遵循度指标直接砍半。同类工作做视频生成，它做4D交互，效果惊艳。
中山大学最新研究：让自动驾驶先“脑补”未来，再“反思”轨迹，4B模型SOTA效果亮眼8B
大多数自动驾驶模型都是“一条路走到黑”，直接生成轨迹，却不知道这轨迹未来会导出什么结果。中山大学等机构提出的IRR-Drive模型，让智能体先“预设意图”，再通过预测未来BEV可视化地“反思”一遍，最后才修正轨迹。这种做法在NAVSIM v1/v2两个权威榜单上都拿到SOTA，而且仅用4B参数就能干翻不少8B模型，性价比拉满。
越南AI挑战赛夺魁！Vortex多模态视频检索系统，单模型搞定4大任务，90.5%准确率！
想找一个能同时理解文本、图像、语音，还能进行时序推理和交互反馈的视频检索系统？Vortex做到了。它在一个统一的框架内，巧妙融合了最新的视觉语言模型和经典的检索算法，并在激烈的AI大赛中取得了90.5%的惊人成绩。这不仅仅是技术堆叠，更是一场工程与算法的完美交响。
