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，
标签：视频生成
共 83 篇
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。
腾讯PCG新方法：34K数据把视频感知拉升5.2%？
视频推理这事，很多时候不是“会不会想”，而是“看没看见关键帧”。这篇论文直接把矛头对准感知短板，用注意力把稀疏奖励拆成帧级、Token级信号，思路很硬，实验也够实。
腾讯+中山大学新方法：视频生成提速2.11倍
视频生成最怕的不是“算不动”，而是“算力明明省下来了，GPU却在等别人”。FVAttn抓住的正是这个系统级痛点：自适应稀疏注意力一边提质量，一边制造负载不均。论文把运行时修负载、空闲算力再利用和计算通信重叠串起来，思路很工程，也很实用。
