标签
本文介绍了Latent-to-4D，一种直接从视频扩散潜变量生成4D场景的方法，无需跨生成器重新训练，在几何和时间稳定性上优于级联方法。
MirrorWorld 是一个反射感知的视频修复框架，通过分别建模语义内容（SRD）和几何空间排布（GTA）来改善视频中的镜面反射生成，相比现有的基于图像和视频修复的基线方法，取得了更好的反射重建效果。
提出了UniWorld-View，一个用于从单目输入进行大基线新视图合成的统一框架，将遮挡感知的点云渲染与视频扩散模型相结合，以实现精确的相机控制和几何一致性。
TenStrip/10Eros-Max是一个实验性AI模型，通过正交投影从LTX 2.3、Wan 2.2和Krea 2视频与图像扩散模型中迁移学习模式，以修改MiniMax H3基础模型，增强美学与运动特性，同时保留核心视频和音频功能。
This paper proposes 'Mirror Learning', a framework for imitation learning from third-person observation that uses a fine-tuned video diffusion model for perspective transformation and an inverse dynamics model to synthesize pseudo first-person expert data, showing that this mirror data alone can train effective policies and improve behavior cloning.
DreamTraj通过解码内部视频扩散潜变量，从单个RGB图像和语言指令预测6自由度物体轨迹，在推理时无需视频、深度或CAD模型。它引入了具有细粒度语言-运动标注的MOVE数据集，实现了最先进的性能，同时运行速度比先生成后提取的流水线快4.6倍。
本文介绍了一种静止状态框架，该框架从单个闭合配置中重建铰接物体，利用显式网格、视觉-语言输出和视频扩散模型来生成并验证关节假设，而无需观测运动。
WorldWeaver (W²) 将跨智能体世界状态寄存器引入多智能体视频扩散模型，实现跨智能体和视图的共享世界状态持久化，提升了双智能体 Minecraft 视频生成的逻辑一致性。
Sol-Engine 每周更新宣布集成 Sol Attention，一种用于视频扩散的无需训练的稀疏注意力方法，完整论文将于下周发布。
AlayaWorld是一个150亿参数的交互式视频世界模型，可生成24帧/秒的540p和720p视频，采用自回归潜变量块生成、受限视觉上下文以及蒸馏技术来减少推理步骤。它在长视界生成基准iWorld-Bench上达到了最先进的性能。
提出StudioRecon，一种从低重叠相机拍摄中进行4D人体-场景重建的方法，使用背景（视频扩散）和人体（SMPL）的独立先验，并带有递归增强模块。已被SIGGRAPH 2026接收，在PSNR上超越先前方法+1.5至+5.0 dB。
LongE2V利用预训练的视频扩散先验，并引入自回归展开、自适应上下文切换、重编码对齐和事件体素密度增强，从稀疏事件流中实现高质量的视频重建、预测和帧插值，优于现有最先进方法。
LingBot-Video是一个13B的稀疏MoE视频扩散Transformer（1.4B激活参数），通过强化学习后训练为动作条件世界模型，权重和代码已开源。它包含一个由VLM评分的物理合理性奖励，并将其自身定位为策略评估器和动作规划器，但缺少闭环机器人实验结果。
MV-Forcing 提出了一种扩散框架，结合时间自回归和视角自回归，生成动态场景的长时间多视角一致视频。通过使用4D几何桥梁和时空蒸馏，实现基于少步学生模型的任意长度视频生成。
ViDiHand 利用预训练的视频扩散模型表示，直接从自我中心视频帧中重建4D手部运动，无需检测器或优化，在ARCTIC、HOT3D和HOI4D上优于现有方法。
Enze Xie 宣布推出 Sol Video Inference Engine，这是一个基于智能体的原生、无需训练的全栈加速器，用于视频扩散，能够自动调整缓存、稀疏注意力、令牌剪枝、量化和内核融合，在像 64B Cosmos3-Super 和 22B LTX-2.3 这样的大模型上实现了 >2 倍的端到端加速。
FLAT 是一种方法，能够直接从压缩的视频扩散潜变量中，通过单次前向传递解码出显式的三角片元，从而提升几何精度，同时支持快速光栅化和基于物理的交互。
一个可扩展的框架结合了自蒸馏和强化学习，将任务解决能力从视觉语言模型迁移到视频扩散模型，无需标注的任务-视频数据。
FadeMem 引入了一种距离感知的键值记忆整合机制，将历史视频数据组织成时间层次结构，在固定缓存约束下改进长视频生成。