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。
标签：视频生成
共 73 篇
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。
腾讯+中山大学新作：视频生成提速2.11×，靠的是RLB和SASA
视频生成最贵的地方，不是模型不会画，而是算力先被注意力“拖死”了。FVAttn的思路很实在：先把多卡负载不均修掉，再把空出来的等待时间塞回高价值计算里，属于工程味很浓、也很能打的一类工作。
ICCV 2026风格D2DF：视频移物一步搞定，还能不要草稿
这篇工作最狠的地方，不是“能修视频”，而是把“多步扩散修复”硬生生压成了一步，还顺手把对外部草稿的依赖也掐掉了。对于视频对象移除这种既要像真、又要够快的任务，D2DF给出了一条很工程化的路子。
上海AI实验室等开源视频深度估计新模型！从游戏里抓出6M帧合成数据，效果效果优于所有生成式方法
如果有一项技术能从你的手机视频中提取出世界的3D结构，像人眼一样感知景深，你会用它做什么？上海AI实验室联合浙大、悉尼大学，最近放了一个大招：Depth Any Video。这个模型直接在Stable Video Diffusion上「开刀」，并靠着从游戏世界收集来的600万帧高质量深度数据，实现了视频深度估计的时空一致性全面飞跃。效果拉满，看了演示gif保
上海AI Lab最新研究：给视频做深度估计，零成本“打游戏”就搞定了？
视频深度估计一直卡在“没数据”上。这篇来自上海AI Lab、浙大和悉大的论文，直接去游戏里“白嫖”了4万段高精度视频深度数据，再把手里的视频生成扩散模型改成深度估计模型，3步去噪就出结果，跑得比谁都快。效果直接起飞，把之前所有生成式深度模型都甩在身后。
USTC新方法：视频遗忘不改模型也能做
这篇论文最有意思的地方，不是“删掉了什么”，而是“删掉之后还能不能把视频保住”。SIRUS把遗忘、保真、质量、鲁棒性和效率拆开测，终于不再让概念擦除只靠一张嘴说服人。
北大等提出HDR：多步视觉推理从34%冲到60%
视频模型最尴尬的地方，不是不会画，而是会画却不会“想”。HDR把这个矛盾掰开了：先粗后细地推理，再保持流式低延迟输出，六个多步任务上把成功率从34.22拉到60.29，确实有点东西。
阿里Wan-Streamer新解：视频就是世界加事件流
这篇论文最有意思的地方，不是又堆了一个更大的流式模型，而是把“视频”重新解释成了“世界 + 事件流”。这个视角一换，预训练目标、交互形式、行为控制，全都顺了。
上交大华为联手：vDiT重用计算省16倍能效
视频扩散Transformer最烦的不是“能不能生成”，而是“生成一段视频到底要烧掉多少算力”。Kaleido不跟稀疏注意力硬卷，而是从潜空间通道相关性下手，顺手把算法和硬件一起改了，思路很工程，也很狠。
华为上交大新作：vDiT不删算子也能提速
视频生成模型最烦的不是“不会画”，而是“画得太慢”。Kaleido不走粗暴删算子那条路，而是盯住潜空间里的通道相关性做复用，结果是加速和画质居然能同时保住。
MIT哈佛新作：DriftWorld单步世界模型快17倍
机器人规划最怕什么？不是动作难，而是“想一帧未来”都要慢吞吞算半天。DriftWorld直接把扩散式多步采样改成单步漂移生成，推理速度平均快17倍，还能拿去做规划和离线评估，够硬。
