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。
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。
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。
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。
提出双流变分自编码器DM-VAE,通过低维分支提取拓扑骨架约束高维潜空间,避免无正则化扩展导致的流形崎岖与生成漂移问题。 在ImageNet-1K 256x256基准上,该免外部基础模型方法取得rFID 0.12的SOTA成绩,生成FID50K在w/o CFG下为1.28,w/CFG下为1.20。
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。
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。
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。
EfficientNet-B0 实验显示,在 P3-P5 阶段插入零门控自注意力适配器可使 ImageNet-1k 准确率提升 0.954 点至 74.02%。 注意力振幅随语义深度单调上升,P5 阶段达 66.3%。 交替双模板权重复用减少 10.9% 参数,单轮训练后准确率恢复至 70.92%。
GSF 结合水印与实时参考,在 480 条历史中实现 99.67% 图像状态分类准确率,94.09% 未授权编辑召回率。 该框架支持无重写替换与退役,三次再版后区域标签恢复中位准确率达 93.13%。 水印可明确标识发行者、当前权威版本及各区域最后授权时间。
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。
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。
TextSphere 通过引入跨模态对齐扩展 Sphere Encoder,在 CUB-200-2011 和 MS-COCO-2014 上以 4 至 6 步采样实现低于 1.0 的重建 FID。 该方法利用预训练 CLIP 文本嵌入及 SSAU 目标促进语义对齐,实验显示其生成 FID 优于从零训练的扩散模型和 GAN。
针对边缘设备资源限制,提出 Mix-Opt 框架,通过自适应结合 BP-low 与 ZO-high 实现内存高效的文生图扩散模型个性化微调。 引入时间步感知的概率函数动态选择优化策略,在 U-Net 与 DiT 模型上均实现显著内存降低且保持高质量生成。
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。
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。
分层扩散 Transformer(HiT)在 ImageNet 256x256 上取得 1.48 FID,使用约 40% 累积训练 FLOPs 达到 JiT 生成质量。HiT 通过动态分组 token 学习视觉层级结构,在文本到图像生成中超过 UniLiP 平均分,且去噪器参数减少约 6 倍,前向 FLOPs 减少约 3 倍。
SAD 框架通过仅微调解码器,在推理零成本下改进潜在生成模型。 该框架包含生成样本分布对齐与编码器锚点保持机制,针对生成潜在分布进行适配。 实验显示 REPA-E 的 FID-50K 指标从 1.15 降至 0.98,并扩展至文本到图像生成。
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。
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。
已发表的面部隐私方法报告超过 90% 的保护率,但该结果源于存在缺陷的评估协议。使用真实前端重新评分后,标准迁移攻击的保护率下降 56%,预算分配攻击下降 7%。 现有方法在评估时使用整幅图像或检测框输入,且沿用的四个常数在整幅图像上将假接受率推高至 2.3-5.4%。
研究提出面向 4K 面部资产贴图的领域调优扩散超分辨率方法,将 1024 像素上采样至 4096 像素,在保留孔洞和皱纹细节的同时避免位移场几何畸变。 基于冻结的 SDXL 骨干网络,通过轻量化 LoRA 模块进行模态适配,并结合 Tile ControlNet 维持输入结构。
FaceRiff 框架基于预训练 SDXL 骨干网络与 LoRA 适配器,通过 UV 法线图作为几何条件,实现从文本直接生成完整的 3D 面部资产(网格、反照率及置换贴图)。
该算法仅需黑盒采样即可对生成模型实施无失真语义水印,提供输出分布不变的正式保证。 语义嵌入在保持内容转换稳定性的同时区分独立生成,训练出的图像编码器在聚合检测中表现优于现成方案。 该方法在开源和闭源模型上均有效,代码与项目页面已公开。
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。
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。
研究者提出 RiDEx 方法,通过在去噪速度场的奖励相关子空间集中局部探索,解决高维潜空间中各向同性随机扰动效率低下的问题。 该方法利用条件残差或可微奖励梯度确定子空间,并以等量反向扰动测量终端奖励响应;所有生成图像均贡献于全局 DiffusionNFT 学习。
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。
提出扩散模型各向异性噪声调度的变分框架,通过矩阵值路径分配子空间噪声并联合训练score network。 在CIFAR-10等四个基准测试中,该方法在低NFE条件下显著提升了FID分数。 框架包含高效的反向ODE求解器及调度参数估计器,代码已开源。
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。
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。
提出免训练框架实现开放词汇3D实例分割,在LERF-OVS和ScanNet上取得SOTA性能,显著提速现有方法。 采用像素级CLIP特征替代掩码级嵌入,利用视频分割器跨视图传播并3D化,无需逐场景训练。
框架 DecoEdit 将 1D、2D、3D 输入整合为统一架构,解决 3D 空间控制难题。 其构建 DecoDataset 包含 1.6M 样本,并首创 DecoBench 基准。通过解耦管线,利用 SAM-3D 锚定几何结构,实现细节高保真。 在 3D 姿态控制任务上,DecoEdit 的几何准确性与身份一致性显著优于 Seedream 5.0。
RoSeDiT 架构将全局规则从图像 token 中隔离,在 SiT 协议下,RoSeDiT-L/2 以少 32% 参数将 FID 降至 15.34。 引入 adaLN 监听机制,RoSeDiT-XL/2 在 1.4M 步实现 FID 7.98,仅为 SiT-XL/2 所需步数的五分之一。 提出确定性采样流形压缩(DSMC),使 RoSeDiT-XL/2 在 2.4M 步达到 FID 5.84。
针对 255 块 128 至 8 像素高的车牌实验显示,SwinIR 将识别率提升高达 38 个百分点。 普通双线性等插值仅带来 5-9 个百分点增益,且最近邻插值反而有害。 SwinIR 主要提升字符可辨识度,其他方法未显示一致幻觉。
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。
LLM 可通过编辑少量 U-Net 权重来提升图像超分辨率的感知质量,而无需干净参考图。框架提供架构代码与采样预览,限制变更至 3 层且参数占比低于 0.1%。实验对比 GPT-6 Astra 与 Qwen3-VL,发现反馈分数提升可能伴随未见过场景性能下降。
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。
研究团队构建 AttentionUNet-CA 模型,在印度勒克瑙土地利用变化模拟中对比了多种基线,发现其在变化区域表现优于随机森林,但未超越无变化假设的零模型。
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。
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。