Netflix ID-V2V开源：一招锁住人脸，重风格化零损失
Netflix 这次玩真的——以前给演员换背景换灯光，人脸基本就崩了。ID-V2V 把身份保持当成了重光照问题，用“重光照面部”+“法线图”把演员的脸死死锁住，单视频就能训，真人脸相似度直接拉到 0.701，比第二名高出 30% 多，还能同时管住多人场景。做视频后期的小伙伴，这篇一定得看。
标签：视频生成
共 73 篇3DMM法线图+视频扩散，TUM新作ViDS让表情控制告别“盲猜”
在视频生成领域，肖像动画一直是个既要保身份又要跟表情的棘手活。传统3DMM渲染生硬，纯扩散模型控制不准。本篇来自TUM和丰田的ViDS巧妙地把3DMM法线图作为视频扩散的条件，实现了精细、稳定的肖像动画生成，FID低至21.29，用户评分领先对手一大截。
GenVC：首个压缩导向视频扩散模型，码率省62%秒变15fps
继7月聊过北大用0.005bpp还原视频细节之后，微软亚洲研究院带着GenVC来了——这是**首个面向视频压缩、从头训练的像素域视频扩散模型**。它不自欺欺人地继承百亿参数预训练骨架，而是用5.78亿参数干到码率省六成、解码15fps。更关键的是，它发现直接暴力蒸馏会让运动卡死，于是提出了**自适应分数蒸馏**来精准纠偏。想搞懂视频压缩+扩散模型的最强实战，
开源代码放送：让你的1080p视频秒变4K，还不抖动
单步扩散视频超分整天被时间抖动折磨？AMD和维尔茨堡大学这次玩了个新思路：给token搞“分班”，重要的走精品班，不重要的走大班合班，最后再无缝合回来。结果你猜怎么着？推理加速了，质量一点没掉，甚至更稳了。全开源的代码，值得一试。
首尔大学提出Robot-Rendering：让世界模型直接"看到"机器人动作，告别动作编码！
机器人世界模型怎么喂动作？直接喂控制信号？还得自己学动作实现。首尔大学这招妙：先把动作在仿真里走一遍，渲染成机器人几何和深度，然后把"这堆像素"喂给视频模型。模型直接"看见"机器人怎么动，只负责学场景怎么响应。效果嘛——比喂状态向量强一截，还能直接泛化到没见过的机械臂和人类演示。
CVPR 2026 PhyWM：1.4万亿token训练通用世界模型
继2026年5月推送的NeoVerse之后，斯坦福又带来一款暴力物理世界模型PhyWM。它没有标注，没有动作标签，仅靠自回归预测光流和RGB，就能零样本完成物体分割、3D操纵甚至Visual Jenga。对机器人、具身智能来说，这是一条通往物理智能的捷径。
字节跳动新作！给视频配音就像改字幕，声效可控性暴增40.7%
说到给视频配音效，很多人会想：不就是根据画面内容生成声音吗，猫叫就是喵喵，打雷就是轰隆，有什么难的？但如果你脑洞再大一点——比如，你想让视频里原本只是“喵喵”叫的猫，在00:07秒的那一声突然变成“狮子吼”；或者你希望整个视频的音频听起来就像是从一部80年代复古游戏机里传出来的；再或者在火柴划过的一瞬间，不仅要有摩擦声，还要叠加一声魔幻的“呼——嗖”……你会
视频换脸数据合成不再“裸奔”：自适应锚定闭环放置，告别美颜滤镜式失真
视频换脸的一大痛点就是没有“正确答案”用来训练。DreamID-V虽用首尾帧锚定加姿势驱动生成了配对数据，但中间帧的身份漂移和皮肤像美颜滤镜一样平滑，一直没解决。这篇2026年7月的新论文直接把锚点放置闭环化，哪里漂插哪里，还从真实视频里扒纹理补回去——思路简单粗暴，实验设计也很严谨，七组实验一一对应验证假设。做换脸、视频生成或数据增强的小伙伴值得看看。
北大新方法：0.005bpp下还原视频细节
视频压缩最难的，不是把码率压低，而是把画面压低以后还不让人想砸键盘。北大这篇直接把“结构锚点”和“运动细节”拆开处理，用生成模型补细节，思路很硬，码率也压得够狠。
Alaya Lab新作：实时长视频生成还能少算力？
长视频生成最怕两件事：记忆丢了，画面崩了；算力花了，速度没了。Surprise Forcing把这两个问题一起管了，用训练免费的方式做“该记的记住、该跳的跳过”，而且还真在长视频基准上跑出了像样的结果。
Tufts新方法：高光引导摘要，长视频更稳
视频摘要最容易犯的错，不是总结得不够短，而是把最关键的证据先删没了。HAS偏偏反着来：不做硬挑帧，而是把“高光分布”变成推理时的注意力引导，思路很干净，实验也够实在。
北大联手阿里：CODA让边缘视频生成提速1.8倍
边缘视频生成最烦的，不是模型不够大，而是缓存一多就把显存和PCIe一起拖下水。CODA的思路很硬：把算子拆开、把等待藏起来，系统味很足，值得细看。
