跳到正文
11月19日周四
  1. arXiv · AI38

    FlashReFocus 实现单图秒级交互式焦点调整

    FlashReFocus 通过单次扩散生成与轻量级渲染网络,实现单图秒级交互式焦点调整。 该方法在 EBB! Val176 等基准上取得最佳保真度,1536x1536 分辨率下完整重构耗时 2.45 秒,后续编辑仅 0.46 秒。 支持倾斜位移及双平面效果,确保多轮编辑中画面内容保持稳定一致。

  2. arXiv · AI30

    SHAMISA:面向无参考图像质量评估的自监督隐式结构关联建模框架

    SHAMISA 提出一种非对比自监督框架,通过显式结构化关系监督从无标签失真图像中学习无参考图像质量评估(NR-IQA)。 该框架利用组合失真引擎生成连续参数空间的退化图像组,在嵌入空间中拉近具有相似失真模式的图像。 实验表明,SHAMISA 在合成、真实及跨数据集 NR-IQA 基准测试中表现出强劲的整体性能。

  3. arXiv · AI27

    I2I Backdoor:针对图像到图像任务的后门攻击

    该研究首次全面揭示了I2I网络的后门攻击漏洞,提出了一种通用对抗扰动(UAP)生成算法作为触发器,并结合多任务学习动态加权方法,使后门I2I网络在干净输入下表现正常,仅在触发器出现时输出特定不当图像。 实验证明该攻击对最先进I2I网络架构有效,且具备抗不同后门防御措施的鲁棒性,并进一步扩展到图像分类与目标检测等下游任务,表明经后门去噪网络处理的触发图像可欺骗下游分类器与检测器。

  4. arXiv · ML28

    Isthmus 方法修复 One-step Flows 的不确定性缺失与稳定性问题

    研究指出 One-step flow maps 作为后验采样器时存在不确定性丢失与不稳定,直接监督会加剧样本向条件均值坍缩。 Isthmus 方法通过桥接训练对的时间位置,在 5% 训练对沿边分布下保持网络、损失与推理代码不变,无额外成本。 在 MRI 重建中,该方法将 One-step calibration 恢复至 0.96,与多步样本相关性达 0.93,且跨种子方差显著降低。

  5. arXiv · AI20

    TOGBench:航拍影像中小目标生成保真度的基准测试与改进

    TOGBench 是一个用于评估航拍影像中小目标生成保真度的定量对象级基准,旨在解决现有生成模型在小目标上表现不佳且此前被忽视的问题。 研究提出了两种简单的训练/推理时技术,提升了布局到图像生成器渲染小目标的能力,并提高了其在 TOGBench 上的性能。 该工作已被 WACV 2027 接收。

  6. arXiv · ML36

    ConserveEdit:面向漂移受限迭代图像编辑的源锚定事务机制

    ConserveEdit 提出一种编辑器无关的控制器,通过“源锚定事务”将迭代图像编辑中的每步视为对源图像合约的事务,严格限制授权区域外的像素变化。 在 1053 个 MagicBrush 测试中,该机制将 DINO 相似度从 0.67 提升至 0.85,并将受保护区域违规率降至 2%。 代码和日志即将发布,自动定位(grounding)仍是当前主要瓶颈。

  7. arXiv · NLP28

    OracleZoom:突破真实图像限制的递归超分辨率方法

    OracleZoom 通过参考约束递归方法实现高倍图像超分辨率,在七个数据集上于各缩放深度取得最高的 CLIPIQA 指标(平均 0.713,优于 Chain-of-Zoom 的 0.621)。 该方法利用最后一张真实图像的对应区域作为训练信号,结合跨尺度损失和无参考质量目标,在 $16\times$ 缩放下保持与基线相当的幻觉率。

  8. arXiv · NLP33

    Sightline:面向快速 SVG 生成长窗口投机解码

    提出长窗口投机解码框架 Sightline,通过匹配草稿器视界长度的验证窗口提升 SVG 生成速度。 在涵盖 text-to-SVG 与 image-to-SVG 的六项基准(源自 MMSVG、MMSVG-2M 及 SArena)测试中,Sightline 在所有设置下均为对比无损解码器中速度最快。 分析表明其优势源于更长的验证窗口避免了短窗口被截断导致的轮次损失,相关代码与数据已开放获取。

11月18日周三
  1. arXiv · AI28

    QUTCC:针对成像逆问题的分位数不确定性训练与保形校准

    QUTCC提出一种基于U-Net架构的分位数回归方法,实现非线性、空间自适应的保形校准,提供像素边际覆盖保证。 该方法在去噪、加速磁共振成像及定量相位显微成像任务中,于相同覆盖率下生成比先前保形方法更紧的不确定性区间,并预测条件概率密度。 高不确定性区域有助于定位模型预测中的幻觉现象。

  2. arXiv · ML24

    Advantage-Gated Adaptation (AGA) 提升扩散强化学习的奖励-质量权衡

    Advantage-Gated Adaptation (AGA) 通过解耦正负样本更新机制,在组合生成、文本渲染和偏好对齐任务中持续改善奖励-质量权衡。 该方法对正样本保留标准目标拟合,对负样本采用移动策略预测处的一阶切线以保持局部排斥方向;参数无自由度门控定义为 omega(a)=max(-a,0),并由冻结预训练参考负责长程行为保持。

  3. arXiv · AI25

    FM-Mamba:一种高效的原生 2D 选择性状态空间模型

    FM-Mamba 提出基于 Fornasini-Marchesini 模型的原生 2D 选择性状态空间架构,解决现有 Mamba 方法处理图像时破坏空间邻接性或计算量过大的问题。 模型通过双对角波前扫描执行递推,利用两个独立输入依赖步长及归一化比率 $r_k$ 进行稳定性约束,避免对特征图进行展平操作。 代码已开源。

  4. arXiv · AI32

    PathoDraw 脑 MRI 病理生成与零样本检测

    PathoDraw 提出一种脑 MRI 病理生成模型,通过健康解剖条件分布与对比无关渲染实现零样本病理检测。 该模型使用单一 3D UNet 网络估计健康解剖及输入扫描的带符号强度偏差,无需在真实病理数据上训练,即可在公开卒中、肿瘤及白质高信号数据集上实现零样本检测。

  5. arXiv · ML20

    利用边缘匹配校正流

    该研究为基于常微分方程的流匹配生成模型提出一种新颖的预测-校正框架,称为边缘匹配。 该框架利用可逆性将正向ODE中的样本校正至反向ODE的边缘分布,从而降低数据分布与学习分布间距离的上界。 在CIFAR-10和ImageNet-64数据集上,该方法在最小化额外计算开销的同时提升了样本质量。

  6. arXiv · ML28

    权重空间编程在扩散模型编辑中的增益研究:程序构建与分数引导精化

    研究在 Stable Diffusion 1.4 上对比了权重空间编程生成的程序与基线,发现预注册的改写流程相比强基线并无优势。 探索性对比显示,Astra 一次性程序将 VLM 联合成功率提升 +10.0 点,但 CLIP 相对匹配无显著变化;改写程序后 CLIP 提升 +6.2 点,联合成功率则下降 -9.7 点。

  7. arXiv · ML24

    PromptPack: 免训练扩散编辑器的空间与语义对齐增强框架

    PromptPack 通过免训练方式为扩散编辑器引入“编辑角色划分”和“区域提示词分配”双重引导,实现对图像编辑的空间与语义精确控制。 该方法无需重训练即可注入独立区域提示词,在 FlowEdit FLUX、SD3 及 FLUX Kontext 中验证,用户研究中以 87% 偏好率优于 FlowEdit FLUX。 确立了其作为意图对齐扩散编辑的实用免训练接口地位。

11月17日周二
  1. arXiv · ML24

    去噪自编码器在流形假设下的几何理解及其图像去噪应用

    研究在流形假设下建立了去噪自编码器的泛化保证,涵盖单流形、分离流形并集及相交流形三种几何场景。 推导了重建误差上界,主要包含样本统计项、切向噪声残差项及投影失败尾部项,相交流形场景还引入额外歧义项。 数值实验验证了样本量缩放规律,并展示流形交点附近的重建歧义现象。

  2. arXiv · ML20

    量子启发的正交蝶形层适配器用于可认证鲁棒的医学图像分类

    研究提出基于量子启发的正交蝶形层的微调方法,在MNIST和MedMNIST实验中展现出优于LoRA的认证鲁棒性。该结构通过构造保持正交性,仅需O(n log n)可训练参数即可保留预训练模型的Lipschitz界。 在斑秃诊断应用中,该方法使认证准确率约为常规微调和LoRA的两倍,同时保持可比的分类精度。

  3. arXiv · AI32

    Latent Fusion 研究:FLUX.2 Klein 4B 通过通道堆叠实现保结构图像编辑

    研究验证了在 4B 模型规模下,通道堆叠优于序列拼接以实现像素对齐的结构保持编辑。 基于 FLUX.2 Klein 4B 基座,该方案保持序列长度不变,仅需单次前向传播,并在 29 张测试图上取得 20.3 dB PSNR。 该模型主要学习了全局调色而非选择性编辑,代码与完整训练配方已公开。

  4. arXiv · ML25

    Geometric Learnable Invariants Transformers:通过软等变学习生成对称指纹

    提出具有软等变性的新型神经网络架构 Geometric Learnable Invariants Transformers,训练后仅对数据适配的对称群保持等变,并输出对称指纹以识别相关对称性及程度。 在图像分类任务中验证了该架构及指纹机制,通过低几何偏置设计避免强归纳偏置限制性能,替代传统数据增强方案。 该框架使研究者能直接检视网络以获取对称指纹,明确识别出训练后保留的关键对称群。

  5. arXiv · NLP20

    HandwritingAgent:在矢量空间中通过语言驱动生成手写笔迹

    HandwritingAgent 提出了一种语言驱动的代理,无需特定风格训练,直接生成 SVG 格式的自然手写序列。 该代理利用大型推理模型在离散网格画布环境中自回归生成字形,并受参考手写图像及对话或非对话文本控制。 实验显示其在手迹模仿、识别及复杂数学公式生成等任务上达到或超越当前 SOTA 模型,更具效率与可控性。

  6. arXiv · NLP21

    CuRSE-Bench: 一个用于探测文生图安全评估中文化盲点的基准

    CuRSE-Bench 揭示文生图安全评估存在文化盲点,包含 10,709 个文化特定提示词和 2,648 个通用对照,覆盖六个地区与十个危害轴。 该基准通过 CultureCraft 框架构建提示词,测试发现文化盲点评判员低估文化特定潜在危害,但其在通用对照上与地区人格评判员表现一致。 这一选择性盲点持续存在于已部署的审核系统中,凸显现有安全评估机制对特定文化背景下的隐性危害缺乏有效识别能力。