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：视频生成
共 73 篇
CVPR 2026新作DexAC：57维灵巧手动作，别再一锅端压缩了
57维灵巧手动作不是“大一点的控制”这么简单，传统把动作一把压成向量的做法，在这里开始露怯了。本文把动作拆成结构化 token，再配上局部+全局注入和语义分支，思路很清楚，效果也确实能打。
北大+中科院提出PhysRAG：7K视频让生成更守物理
这篇 PhysRAG 很像给视频生成模型塞了个“物理常识外挂”：先把训练数据洗干净，再把物理参考视频检索进来，用可学习查询提炼成真正有用的先验。结果不是只会“看起来像”，而是开始“物理上像”。
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。
TIGER登场：一招搞定人脸视频修复三大难题？
TIGER专治人脸视频修复里的三大顽疾：身份偏移、视角纠缠和“修得像但不像本人”。它把身份、几何和生成先验一起拉上场，还顺手做了一个大规模数据集，属于能打又能落地的那种。
NVIDIA+清华新作Causal-rCM：2步视频生成冲到84.63
这篇论文把“教师强制”和“自习强制”拧成了一个统一蒸馏配方，还顺手把连续时间一致性模型和分布匹配蒸馏接上了。更有意思的是，它不只会讲方法，还真把流式视频生成和交互式世界模型都跑出了像样的结果。
Apple新作Velox：单段视频生成4D世界
这篇 Velox 有点意思：不靠时间对应，不靠复杂输入，只拿动态点云就想把 4D 几何和外观一起学明白。更妙的是，它不止会“记住”4D，还能拿去做视频转4D、3D追踪和布料仿真，算是把潜在表征这张牌打得挺顺。
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。
Netflix最新研究Vera：分层视频编辑，内容保真度狂甩VACE几条街！
还在苦恼给视频换个背景，主角的头发丝却“糊”了？传统方法“重绘全图”的做法就像把整面墙重刷一遍，难免会蹭到不该动的地方。Netflix联手Caltech最新力作Vera，直接给出“分层”方案——要改的部分单独画在一个“透明图层”上，再盖回原视频，从源头杜绝了“改哪坏哪”的尴尬。PSNR狂甩VACE 7dB，效果真的有点东西。
告别VAE解码瓶颈！让生成器自己当评委，视频对齐又快又准
继2026年6月推过AVDM2、DenseDPO等视频生成加速和对齐方法后，今天这篇城大新作PRISM，直接把视频生成模型本身变成了最懂行且最快速的“评委”。以往用大视觉语言模型当裁判，又慢又贵，还得等视频全生成完。PRISM反其道而行之，冻结生成模型，在满是噪声的潜伏空间里就能精准打分，还能在生成早期就淘汰烂片，推理提速7.6倍。这波操作，值得所有做视频生
视频修复新范式：GPVAE自带置信度，医生再也不用猜哪帧靠谱
内窥镜视频常被反光、丢帧搞得“面目全非”，传统方法却“各扫门前雪”，忽略了帧之间的连续关系。2026年6月，安特卫普大学等机构联合提出GPVAE框架，给潜变量加上高斯过程这个“时间绳”，让模型学会用前后帧“脑补”受损画面。最终C3VDv2上误差最高降26%，更关键的是，它每帧还自带“可信度”标签，为临床决策提供额外保险。
