CVPR 2026 視頻模型趨勢梳理：不止生成下一幀，更要理解下一步

視頻智能正從畫面生成走向運動控制、動態(tài)建模、信號理解與真實場景應(yīng)用。

作者丨鄭佳美

編輯丨馬曉寧

過去，視頻生成更多是在解決“像不像”的問題：人物是否清晰，畫面是否流暢，風格是否統(tǒng)一。但隨著模型能力提升，視頻真正困難的部分開始顯現(xiàn)出來——它不是一組漂亮幀的連續(xù)播放，而是一個由時間、空間、運動、相機、光照和物理信號共同構(gòu)成的動態(tài)系統(tǒng)。

只要模型無法理解這些隱含結(jié)構(gòu)，它生成的視頻就可能看似逼真，卻在運動邏輯、視角一致性或真實場景適應(yīng)上露出破綻。因此，視頻智能正在進入一個更深的階段：不只是生成畫面，而是理解畫面為什么會這樣變化。

從運動軌跡編輯、3D 結(jié)構(gòu)約束、可迭代文生視頻，到自適應(yīng)視頻 token、長期運動表征、頻閃去除、熱成像分離和地球觀測模型，研究者實際上都在處理同一個底層問題：如何讓模型把視頻從“像素序列”理解為“動態(tài)世界”。

這也是今年 CVPR 相關(guān)方向中一個值得注意的信號——視頻模型的競爭重心，正在從視覺質(zhì)量轉(zhuǎn)向?qū)r間、空間和物理規(guī)律的建模能力。

換句話說，視頻 AI 的下一步，不是單純把視頻生成得更長、更清楚、更炫，而是讓模型知道運動從哪里來、結(jié)構(gòu)為什么穩(wěn)定、信號如何形成，以及復雜場景中的變化如何被預(yù)測和控制。

當這些能力逐漸補齊，視頻模型才可能真正從內(nèi)容生成工具，走向能夠理解、編輯和推演現(xiàn)實世界的動態(tài)智能系統(tǒng)。

01

從改畫面到改運動

視頻生成和視頻編輯正在從“畫面是否好看”，走向“運動是否可控”。谷歌和石溪大學共同提出的《MotionV2V: Editing Motion in a Video》研究的正是如何不只修改視頻風格或局部外觀，而是直接編輯視頻里的“運動”。

比如讓人物換方向、讓物體晚一點出現(xiàn)，或在保留場景內(nèi)容的同時改變鏡頭運動?，F(xiàn)有方法一旦涉及物體運動、相機軌跡或時間順序變化，就很難保留原視頻后續(xù)幀中已有的內(nèi)容。

MotionV2V 的核心思路是把視頻運動表示成稀疏軌跡點，并讓用戶直接編輯這些軌跡。系統(tǒng)先從輸入視頻中提取物體或場景點的原始運動軌跡，用戶再指定目標運動，模型根據(jù)“原始軌跡”和“目標軌跡”之間的差異生成編輯后的視頻。論文把這種差異稱為 motion edit，并用它指導視頻擴散模型，在盡量保留原視頻內(nèi)容的同時，讓目標物體或相機按新的方式運動。

論文地址：https://arxiv.org/pdf/2511.20640v1

它的亮點在于，MotionV2V 不是從單張圖片重新生成視頻，而是真正以完整輸入視頻為條件進行 video-to-video motion editing。因此它可以利用視頻中任意時間點的信息，處理首幀里還沒出現(xiàn)的物體，也能支持物體運動、相機運動、時間控制和連續(xù)多次編輯。

作者還構(gòu)建了 motion counterfactuals，即內(nèi)容相同但運動不同的視頻對，用來微調(diào) motion-conditioned video diffusion 架構(gòu)。從論文對比來看，MotionV2V 在內(nèi)容保留、運動控制和整體編輯質(zhì)量上優(yōu)于已有方法，用戶研究中也獲得約 70% 的偏好率。整體來看，這篇論文把視頻編輯從“改外觀”推進到“改運動”。

當運動編輯涉及相機、物體和非剛性形變時，僅靠 2D 運動線索往往不夠。Adobe 和馬里蘭大學帕克分校共同提出的《Generative Video Motion Editing with 3D Point Tracks》進一步使用 3D point tracks 作為統(tǒng)一的運動控制表示，同時改變視頻里的相機運動和物體運動。

系統(tǒng)會先估計輸入視頻中的相機參數(shù)和 3D 點軌跡，用戶編輯相機運動或物體軌跡后，再由 video-to-video 生成模型合成新視頻。

論文地址：https://arxiv.org/pdf/2512.02015v1

相比 2D 軌跡，3D 軌跡提供了深度信息，可以幫助模型判斷遮擋關(guān)系、前后層次和真實空間運動。論文還設(shè)計了 3D track conditioner，通過 cross-attention 從輸入視頻中采樣視覺上下文，并把這些信息對齊到目標幀空間中，讓模型在改變運動的同時保持畫面連貫。

由于真實世界中很難獲得成對訓練數(shù)據(jù)，作者采用兩階段訓練：先用合成數(shù)據(jù)學習基礎(chǔ)運動控制，再用真實單目視頻構(gòu)造非連續(xù)片段對，縮小合成到真實的差距。整體來看，這篇論文把視頻運動編輯推進到更 3D-aware 的階段，也支持運動遷移、非剛性變形、物體移除和復制等效果。

如果輸入只有一張物體圖像，模型如何在相機繞物體旋轉(zhuǎn)時生成穩(wěn)定、真實、結(jié)構(gòu)一致的視頻？澳大利亞國立大學和亞馬遜共同提出的《Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors》研究的就是從單張物體圖像生成 orbital video?，F(xiàn)有視頻生成方法在大角度視角變化時缺少可靠像素對應(yīng)關(guān)系，容易生成結(jié)構(gòu)扭曲或不合理的物體形狀。

論文地址：https://arxiv.org/pdf/2604.12309

這篇論文的核心思路是引入 3D foundation model 中學到的形狀先驗，用它輔助視頻擴散模型生成更穩(wěn)定的環(huán)繞視頻。模型從單張輸入圖像中提取兩類 3D latent features：全局 latent vector 提供整體結(jié)構(gòu)指導，體積特征投影得到的 latent images 提供隨視角變化的幾何細節(jié)。

相比深度圖或法線圖，這些 3D latent features 能表達更完整的物體形狀，也避免顯式提取 mesh 的額外開銷。作者還設(shè)計了 multi-scale 3D adapter，把不同尺度的 3D 特征接入基礎(chǔ)視頻模型，從而提升生成視頻的真實感、物體形狀合理性和多視角一致性。

谷歌和新加坡國立大學共同提出的《VISTA: A Test-Time Self-Improving Video Generation Agent》則把重點放在生成流程本身：當用戶給出文本想法后，系統(tǒng)能不能反復評估、反思和修改，直到生成更符合意圖的視頻。

它研究的是 test-time self-improvement，也就是不重新訓練視頻生成模型，而是在推理階段通過反復評價和改寫 prompt 來提升結(jié)果。

VISTA 會先把用戶想法拆成帶有時間結(jié)構(gòu)的場景計劃，包括時長、角色、動作、對白、環(huán)境、相機、聲音和情緒等要素；生成多個候選視頻后，通過 pairwise tournament 選出當前最好結(jié)果；隨后由視覺、音頻和上下文評審智能體提出意見，最后由 reasoning agent 綜合反饋并改寫 prompt，進入下一輪生成。

論文地址：https://arxiv.org/pdf/2510.15831

它的亮點在于，VISTA 不是只優(yōu)化某個指標，而是把視頻規(guī)劃、候選篩選、多維度評價和提示詞重寫串成自動閉環(huán)。論文中提到，VISTA 在自動指標下相較先進基線最高達到 60% 的 pairwise win rate，在人工評測中也獲得 66.4% 的偏好率。整體來看，它把文生視頻從“一次性生成”推進到“生成—評價—反思—再生成”。

02

讓模型先學會「怎么動」

要讓視頻模型更好地生成和編輯內(nèi)容，底層表示也需要更高效。上海交通大學、香港中文大學多媒體實驗室、上海人工智能實驗室 OpenGVLab、同濟大學、清華大學共同提出的《AdapTok: Learning Adaptive and Temporally Causal Video Tokenization in a 1D Latent Space》研究的是視頻 tokenization 問題，也就是如何把連續(xù)視頻幀壓縮成更適合自回歸模型處理的離散 token。

論文地址：https://arxiv.org/pdf/2505.17011v2

AdapTok 的核心思路是讓視頻 token 分配變得自適應(yīng)。它不是給每個時間段分配同樣多的 token，而是根據(jù)視頻內(nèi)容、時間變化和整體預(yù)算，動態(tài)決定哪里多用 token、哪里少用 token。

它使用 1D latent token space 表示視頻，并引入 temporal causality，讓前面幀的編碼和解碼不依賴未來幀，更適合流式處理和自回歸生成；同時通過 block-wise masking、block causal scorer 和 IPAL 策略完成自適應(yīng)分配。

這樣一來，運動明顯、場景變化大的片段會獲得更多 token，靜態(tài)或冗余片段則使用更少 token。在 UCF-101 和 Kinetics-600 任務(wù)中，AdapTok 在不同 token 預(yù)算下都能提升重建質(zhì)量和生成表現(xiàn)。

AdapTok 解決的是視頻如何被高效表示，而 CompVis @ LMU、MCML 和蘋果共同提出的《Learning Long-term Motion Embeddings for Efficient Kinematics Generation》進一步追問：如果只是理解未來怎么動，是否一定要完整生成像素視頻。論文轉(zhuǎn)向?qū)W習一種更緊湊的 long-term motion embedding，用來表示場景中的長期運動規(guī)律。

它從大規(guī)模 tracker 模型得到的軌跡數(shù)據(jù)中學習壓縮運動空間，把稀疏軌跡和起始幀編碼成 latent motion grid，并可在任意空間查詢點上重建密集運動；隨后在這個運動 latent 空間里訓練 conditional flow-matching 模型，根據(jù)文本任務(wù)描述或 spatial pokes 生成長期運動。這種表示可達到 64 倍時間壓縮，也就是說模型不用逐幀生成視頻，就能在更抽象的運動空間中推斷未來動態(tài)。

論文地址：https://arxiv.org/pdf/2604.11737

這篇論文的亮點在于，它把“生成視頻”拆成了更基礎(chǔ)的“生成運動”。這種 kinematics-first 方式更適合探索多個可能未來，也更適合機器人規(guī)劃、軌跡預(yù)測和長期動態(tài)建模。

在開放域互聯(lián)網(wǎng)視頻和 LIBERO 機器人基準上，它的運動生成質(zhì)量、條件遵循能力和效率都優(yōu)于專門軌跡預(yù)測方法以及 Wan、Veo 3 等視頻模型基線。整體來看，AI 不一定要先“畫出未來”，也可以先學會“未來應(yīng)該怎么動”。

03

從修復畫面到理解信號來源

除了生成和編輯，視頻與圖像研究也在關(guān)注如何從復雜成像退化中恢復可靠信息。南開大學國際先進研究院、鵬城實驗室、南開大學計算機學院、香港理工大學、OPPO 研究院共同提出的《It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal》研究的是短曝光連拍圖像中的 flicker artifact 去除問題。

這類退化由人工光源頻閃和 rolling shutter 共同造成，表現(xiàn)為條紋狀、明暗不均的閃爍，不能簡單當作普通噪聲或低光增強處理。

Flickerformer 的核心思路是利用閃爍退化的周期性和方向性。周期性來自交流電光源亮度變化，方向性與相機逐行掃描機制有關(guān)。針對這兩個特點，F(xiàn)lickerformer 設(shè)計了 PFM、AFFN 和 WDAM 三個模塊，分別用于幀間相位相關(guān)融合、單幀自相關(guān)建模，以及小波域方向性高頻修復。

論文地址：https://arxiv.org/pdf/2603.22794v1

它的亮點在于，把頻閃本身的物理先驗嵌入網(wǎng)絡(luò)結(jié)構(gòu)里，而不是把 flicker removal 當成普通圖像增強任務(wù)。在 BurstDeflicker benchmark 上，F(xiàn)lickerformer 超過多種圖像復原和 burst restoration 方法，取得 31.226 PSNR、0.920 SSIM、0.045 LPIPS。整體來看，這篇論文讓模型能夠更準確地去除條紋閃爍，同時保留細節(jié)并減少重影。

類似思路也出現(xiàn)在熱成像研究中。CMU 提出的《Dual Band Video Thermography: Separating Time-Varying Reflection and Emission Near Ambient Conditions》研究的是熱成像中的發(fā)射 / 反射分離問題。

熱相機看到的長波紅外信號既可能來自物體自身熱輻射，也可能來自周圍環(huán)境反射；在接近室溫的日常場景中，這兩部分信號強度接近且都會隨時間變化，因此很難判斷亮暗變化到底來自物體溫度變化，還是背景反射。

論文地址：https://arxiv.org/pdf/2509.11334

論文提出 dual-band thermal videography，用兩個長波紅外子波段視頻分離“物體自身發(fā)射”和“背景反射”。它同時利用光譜線索和時間線索：同一材料在兩個波段中的發(fā)射率比例相對固定，而物體熱傳導變化通常更平滑、背景反射變化更快。

實驗中，方法能把咖啡壺升溫時的熱發(fā)射與旁邊移動人物的反射分開，也能區(qū)分玻璃板上的手指熱印和手指反射。在酒杯和咖啡壺視頻中的非校準溫度估計誤差分別約為 1.72% 和 5.34%。整體來看，這篇論文把熱成像從“看到溫度分布”推進到“理解熱信號來源”。

04

讓視覺模型進入真實世界任務(wù)

當視覺模型進入遙感和地球觀測場景時，問題會比普通圖像更復雜：模型不僅要處理圖像，還要同時理解時間序列、多源數(shù)據(jù)和地圖標注。艾倫人工智能研究所、華盛頓大學、亞利桑那州立大學、不列顛哥倫比亞大學聯(lián)合提出的《Helios: Stable Latent Image Modeling for Multimodal Earth Observation》研究的是面向地球觀測數(shù)據(jù)的多模態(tài)基礎(chǔ)模型。

地球觀測數(shù)據(jù)既有圖像空間結(jié)構(gòu)，也有類似視頻或文本的時間序列特征，還包含衛(wèi)星影像、地圖、地形、作物、土地覆蓋等多種模態(tài)。

這篇論文提出的模型叫 OlmoEarth，目標是讓地球觀測基礎(chǔ)模型更穩(wěn)定、更高效，也更容易落地到環(huán)保、人道主義和公共利益相關(guān)任務(wù)中。它不只訓練模型，還配套構(gòu)建端到端平臺，用于數(shù)據(jù)收集、標注、訓練和推理，降低真實組織使用前沿地球觀測模型的門檻。

論文地址：https://arxiv.org/pdf/2511.13655

OlmoEarth 的核心方法是 Latent MIM Lite。它用隨機初始化、訓練中凍結(jié)的線性投影層，把圖像 patch 投到 token 空間作為預(yù)測目標，在保留 latent modeling 表征能力的同時提升訓練穩(wěn)定性。這個設(shè)計還把自監(jiān)督數(shù)據(jù)和帶標注地圖數(shù)據(jù)統(tǒng)一到同一個 token 空間里，讓模型可以用相同損失學習觀測數(shù)據(jù)和標簽地圖。

針對遙感數(shù)據(jù)空間、時間和模態(tài)高度冗余的問題，OlmoEarth 采用 modality-aware masking，讓模型必須從其他時間、空間或模態(tài)中推斷缺失信息；同時只在同一 bandset 內(nèi)進行 token 對比，避免大量“太容易”的負樣本削弱訓練效果。

綜合評估中，OlmoEarth 與 12 個其他基礎(chǔ)模型相比，在 embedding 評估中于 24 個任務(wù)里的 15 個取得最好表現(xiàn)；在 full fine-tuning 設(shè)置下，于 29 個任務(wù)里的 19 個取得最好表現(xiàn)。整體來看，這篇論文為地球觀測任務(wù)提出了一個更穩(wěn)定、更開放、更面向真實應(yīng)用的多模態(tài)基礎(chǔ)模型體系。

這次去 CVPR 現(xiàn)場，一定不要錯過

【認識大牛+賺外快】的機會

需要你做什么：把你最關(guān)注的10個大會報告，每頁PPT都拍下來

你能獲得什么？

認識大牛：你將可以進入CVPR名師博士社群；

錢多活少：提供豐厚獎金，任務(wù)量精簡；

聽會自由：你的行程你做主，順手就把外快賺。拍下你最感興趣的10個報告PPT即可。

如果你即將前往CVPR，想邊聽會邊賺錢，還能順便為AI學術(shù)社區(qū)做貢獻、認識更多大牛，歡迎聯(lián)系我們：[添加微信號:MS_Yahei]

【限額5位，先到先得】

未經(jīng)「AI科技評論」授權(quán)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標注來源并插入本公眾號名片。