视频生成

这张生成的图像能检测吗

（论文速读）基于M-LLM的高效视频理解视频帧选择论文题目：M-LLM Based Video Frame Selection for Efficient Video Understanding（基于M-LLM的高效视频理解视频帧选择）

超越Veo和Runway！可灵开源Kling-Omni：一个模型通吃视频生成、剪辑和多模态推理！论文链接：https://arxiv.org/pdf/2512.16776 体验链接:https://app.klingai.com/global/omni/new

HyperAI超神经

入选NeurIPS 2025，智源/北大/北邮提出多流控制视频生成框架，基于音频解混实现精确音画同步相较于文本，音频天然具备连续时间结构和丰富的动态信息，能够为视频生成提供更精细的时序控制。因此，随着视频生成模型的发展，音频驱动的视频生成也逐渐成为多模态生成领域的重要研究方向。目前，相关研究已覆盖说话人动画、音乐驱动视频以及音画同步生成等多个场景，但在复杂视频内容中，实现稳定且精确的音画对齐仍然具有较高难度。

今夕资源网

[AI工具]Infinite Talk数字人对口型图像转视频AI工具支持无限时长视频生成Infinite Talk数字人对口型图像转视频AI工具支持无限时长视频生成 InfiniteTalk AI：音频驱动的视频生成框架 InfiniteTalk AI是由 MeiGen AI 开发的先进音频驱动视频生成框架，

ICCV`25 | 视频交互“随心所欲”！复旦&通义万相等开源DreamRelation:让想象力从此无边界项目链接：https://dreamrelation.github.io/ 文章链接：https://openaccess.thecvf.com/content/ICCV2025/papers/Wei_DreamRelation_Relation-Centric_Video_Customization_ICCV_2025_paper.pdf 开源链接：https://github.com/ali-vilab/DreamRelation

NeurIPS 2025 | 硬刚可灵1.5！阿里通义&清华等开源Wan-Move：指哪动哪的“神笔马良”论文链接：https://arxiv.org/pdf/2512.08765 项目链接:https://github.com/ali-vilab/Wan-Move

AI视频生成技术原理与行业应用 - AI视频技术原理与架构AI视频技术正以数据驱动、模型赋能的方式重塑视觉内容创作，其背后是复杂的技术范式演进、精密的架构设计与高质量数据支撑。本文将基于北京大学相关研究内容，系统拆解AI视频生成的核心逻辑、技术架构、关键组件及训练数据核心要素，带大家全面理解这项革命性技术。

AI视频生成技术原理与行业应用 - AI视频生成能力与突破AI视频生成技术正处于高速迭代的关键阶段，一边在分辨率、可控性等核心指标上实现突破性进展，具备了专业级应用潜力；一边仍面临时序一致性、物理逻辑等核心瓶颈。本文基于北京大学相关研究成果，系统梳理AI视频生成的能力现状、评估体系与主流模型，为行业探索与实际应用提供参考。

AI视频生成技术原理与行业应用 - AI视频行业应用现状AI视频生成技术已不再是局限于实验室的前沿探索，而是深度渗透到影视娱乐、营销、文旅、教育、医疗、新闻媒体等多个领域，从单一的创意辅助工具，升级为驱动行业全流程重构的核心引擎。其核心价值集中在“降本增效”与“创意赋能”，既系统性改变了行业成本结构，也催生了全新的内容形态与商业模式。

HyperAI超神经

活动回顾丨北大/清华/Zilliz/MoonBit共话开源，覆盖视频生成/视觉理解/向量数据库/AI原生编程语言当下，AI 产业正迎来一个前所未有的发展周期。大模型的规模化应用、AI 原生软件体系的重构、多模态基础模型的加速演进，让学界与产业界的边界变得愈发模糊。无论是视频生成对音画同步的精细化要求、终端侧视觉模型的高效推理优化，还是新一代 AI 原生编程语言的出现，都在推动一个清晰的趋势——产研协同与开源生态，正在成为 AI 时代最关键的创新范式。

VibeVoice-Realtime TTS重构实时语音体验；覆盖9大真实场景，WenetSpeech-Chuan让模型听懂川话公共资源速递5 个公共数据集：* VOccl3D 三维人体遮挡视频数据集* Spatial-SSRL-81k 空间感知自监督数据集

万里鹏程转瞬至

wan2.1-2.2 官方提示词改写（prompt extend）模块这里只分析中文结构的提示词。通过对于wan2.1与wan2.2两个版本，可以发现wan2.2的提示词质量更高，能体现I2V与T2V的任务差距。

港科大等提出音频驱动多人视频生成新范式 AnyTalker，解锁任意数量角色间的自然互动！文章链接：https://arxiv.org/abs/2511.23475 开源链接：https://github.com/HKUST-C4G/AnyTalker 项目链接：https://hkust-c4g.github.io/AnyTalker-homepage

ICCV 2025 | 北大王选所推出AnyPortal：像素级操控视频背景，前景细节100%保留！文章链接：https://arxiv.org/pdf/2509.07472 主页：https://gaowenshuo.github.io/AnyPortal/ Git链接：https://github.com/gaowenshuo/AnyPortalCode

南洋理工&腾讯最新Rolling Forcing解决流视频生成长期误差累积，连贯如一且长达数分钟！论文链接：https://arxiv.org/pdf/2509.25161 项目链接：https://kunhao-liu.github.io/Rolling_Forcing_Webpage/

从几秒走向几分钟：长视频生成进入 LongCat 时刻在短短一年里，AI 视频生成已经从「炫技几秒」进化到「真的能讲故事」。而真正能撑起国内开源长视频创作的一员猛将，也终于登场了——来自美团的 LongCat-Video。它的能力很好概括：一句话？给你拍成一段剧情；一张图？它能让画面自己动起来；视频断在一半？它立刻替你续拍下去。 LongCat-Video 基于 136 亿参数的视频生成大模型，同时支持文字转视频、图片转视频和视频续写，让创意能够持续往前推进。它不是只会做几秒炫酷短片，而是从训练阶段就融入了长时序逻辑，让光影不飘、角色不丢、剧情不突兀

CV论文速递：覆盖视频生成与理解、3D视觉与运动迁移、多模态与跨模态智能、专用场景视觉技术等方向 (11.17-11.21)本周精选10篇CV领域前沿论文，覆盖视频生成与理解、3D视觉与运动迁移、多模态与跨模态智能、专用场景视觉技术等方向。全部300多篇论文已经整理好，感兴趣的自取！

【LLM-video】HunyuanVideo-1.5视频生成模型解决视频生成中的高效推理和高视觉质量问题：1、轻量级高性能架构：提出了一个高效的架构，集成了一个83亿参数的扩散变压器（DiT）和一个3D因果VAE，实现了空间维度上的16倍压缩和时间轴上的4倍压缩。

沉迷单车的追风少年

Diffusion Models与视频超分(3): 解读当前最快和最强的开源模型FlashVSRDiffusion Models专栏文章汇总：入门与实战前言：FlashVSR 是首个实现近实时（17 FPS）、流式处理、支持 1440p 的扩散视频超分辨率模型，通过三阶段蒸馏、局部稀疏注意力和微型条件解码器，兼顾速度、质量与可扩展性。

这张生成的图像能检测吗

StreamingT2V：从文本生成一致、动态和可扩展的长视频论文题目：StreamingT2V: Consistent, Dynamic, and Extendable Long Video Generation from Text（从文本生成一致、动态和可扩展的长视频）