「视频扩散Transformer」共找到 1372 篇相关文章
ICML 2025 Oral工作再升级！上海AI Lab联合复旦、港中文推出支持更长视频理解的最佳工具VideoRoPE++
上海AI Lab联合复旦、港中文推出支持更长视频理解的工具VideoRoPE++。它确定了将RoPE应用于视频的关键特性，构建评测基准V - RULER，提出外推方案YaRN - V，在多任务中优于先前RoPE变体。
CVPR 2026｜用互联网视频替代3D标注：通研院团队打造SceneVerse++「最大规模」真实3D场景数据
北京通用人工智能研究院团队在CVPR 2026接收论文中，提出自动化数据引擎，用互联网视频构建SceneVerse++数据集，规模超现有同类，在3D检测、VQA、VLN任务提升性能，还指明3D空间智能发展方向。
CVPR 2025 Award Candidate | 英伟达等Difix3D+：用单步扩散模型修复 3D 重建伪影
3D重建领域中，NeRF和3DGS在新视角生成时易出现伪影，影响应用。英伟达团队提出Difix3D+，将预训练2D扩散模型用于3D渲染，单步去伪影，效率高、有泛化力，实验效果领先。
ICLR 2026 | 当视频难以被表征：UCSD、HKUST等机构联合提出FlowRVS，用生成式流匹配重构视觉感知范式
计算机视觉领域传统表征方法在视频处理上力不从心，SGIT AI Lab等机构团队提出FlowRVS，跳出传统桎梏，用生成式流匹配重构视觉感知范式，实现SOTA提升，还展现诸多优势，证明Flow Matching理论普适性。
WAIC最强亮点：非Transformer离线AI大模型已大规模量产，大模型商业比我们想得更快
在WAIC上，RockAI推出非Transformer离线AI大模型Yan 2.0 Preview，有视觉感知跃升和自主学习能力两大提升。该公司走非Transformer路线，着重场景落地，通过“标杆战略”推动产品量产，未来构想构建“群体智能”世界。
豆包大模型2.0+Claude Skills，3步装好，终于有AI能帮我"看视频做笔记"了！火山引擎全系列可用！
传统视频总结工具只基于音频总结，内容浅显。而豆包大模型2.0是多模态原生模型，能同时处理画面和声音。只需3步安装配置，就能让它真正“看”视频，输出详细笔记。
打破具身世界模型可执行性鸿沟 ！港中深-跨维智能团队提出EVA框架，用强化学习让视频世界模型真正“动”起来
近期，利用视频生成模型为机器人构建“世界模型”成热门路线，但存在“可执行性鸿沟”。港中深 - 跨维智能团队提出 EVA 框架，用强化学习优化视频生成，实验显示其能提升视觉规划、仿真任务成功率及真实部署稳定性，还有数据合成潜力。
视频字幕处理开源神器
卡卡字幕助手（VideoCaptioner）操作简单，无需高配置，支持 API 和本地离线语音识别，利用大语言模型处理字幕。它支持多平台视频下载处理，有专业语音识别引擎，能智能纠错、高质量翻译、调整字幕样式。
ICLR最佳论文：Transformer天生简洁
2026年ICLR最佳论文对Transformer做深度思维体检，指出其架构真正威力在于描述概念时比RNN等简洁指数级甚至双重指数级，但验证其内部逻辑计算成本高昂，为解释其能力开新窗。
The Batch：927｜极速扩散学习
研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。