跳到正文
10月8日周四
  1. arXiv · AI39

    综述:前沿图像生成模型、合成视觉证据与现实风险

    该综述分析前沿图像生成系统如何产生逼真照片、可读文档及一致人物地点描绘。 当这些合成产物被呈现为真实事件记录时,可能影响新闻、金融、身份验证、医疗和司法领域的决策。 文章区分了供应商能力声明、已记录事故、实验发现和前瞻性危害路径,并比较了提供商限制、来源系统、水印、平台标签和政策义务的功能,指出高风险决策需认证源记录、可信渠道佐证及适度审查。

  2. arXiv · AI33

    StoryBlender:具有时空动态的镜头间一致且可编辑的3D故事板

    StoryBlender 提出一种基于故事中心反思机制的 3D 故事板生成框架,实现镜头间一致性与显式可编辑性。 该系统采用三阶段流水线:语义空间定位构建连续性记忆图,规范资产实例化维持视觉身份,时空动态通过视觉指标实现布局设计。 实验表明,StoryBlender 在一致性和可编辑性上显著优于扩散模型和 3D 基准方法,支持对相机和视觉资产的直接精确编辑。

  3. arXiv · AI31

    OmniCam: 基于几何感知位姿 Token 学习的全向相机轨迹生成

    新模型 OmniCam 利用单张全景图和文本描述自回归生成相机位姿序列,在 OmniCaT 数据集中将轨迹误差降低 28-47%,碰撞率降低 65.8%。 该模型采用几何感知的位姿 Token 学习,包含全景点云编码器及绝对旋转与相对平移混合 Token 化机制,OmniCaT 数据集包含 267,700 条轨迹。 下游实验验证了其在受控视频生成与机器人主动感知中的应用潜力。

  4. arXiv · AI21

    SlideRuler:病理基础模型单片校准方法

    SlideRuler 利用切片内部区域作为内部对照,估计并校正采集导致的病理基础模型嵌入漂移,同时保持基础模型冻结。 该方法在 5 台 SCORPION 扫描仪上测试,学习转移使平均目标到源嵌入距离较原始嵌入减少 16.3%-38.5%,源锚定变体进一步减少 47.7%-83.6% 的源特征位移。

  5. arXiv · AI23

    D3S2:面向语义分割的扩散引导数据集蒸馏框架

    针对语义分割数据集蒸馏中的长尾类别不平衡与像素级对齐难题,D3S2 提出了一种两阶段扩散引导框架。 该框架结合类别平衡掩码选择与扩散图像合成,在 1% 压缩率下,于 ADE20K 和 COCO-Stuff 数据集使用 Mask2Former (Swin-S) 分别取得 24.99% 和 35.49% 的 mIoU。 实验结果表明 D3S2 显著优于随机选择基线,代码已公开。

  6. arXiv · AI28

    频率感知扩散模型 Dual-FDM 分离双图像引用以优化个性化生成

    论文提出 Dual-FDM 范式,通过频率域解耦双图像引用,解决扩散模型去噪过程中频率纠缠导致的文本错位问题。 在定制化风格迁移中替换背景中频带,在色彩风格迁移中替换背景低频带,利用替换频段作为 Key/Value 重构查询前景和背景。 Dual-FDM 在个性化图像生成任务上优于最先进的扩散模型,论文被 NeurIPS 2026 接收且代码已公开。

  7. arXiv · AI25

    WildMatch:用于野生动物个体重识别的弱监督图像匹配器适应方法

    WildMatch 通过仅使用身份标签对预训练关键点匹配器进行对比微调,实现了野生动物图像匹配的弱监督适应。 该方法挖掘信息图像对,利用身份一致性生成弱监督信号,增强了同类个体间的对应关系并抑制了不同个体间的对应。在开源数据集上,其精度优于现成匹配器和最先进融合方法,且能学习可迁移的对应先验。

  8. arXiv · AI41

    D-OPCD 通过在线策略上下文蒸馏将 Agent 经验内化至扩散模型权重

    D-OPCD 方法将 Agent 生成的特权提示词知识蒸馏进扩散模型权重,使模型仅依赖原始查询即可保留部分 Agent 增益。 该方法结合 Auto Skill Evolver 框架,在四个基准测试中将平均直接生成得分从 60.52 提升至 65.09。 内化后的模型支持第二轮技能进化,在无技能 Agent 基础上额外提升 1.83 分,指向系统与模型的持续共同演化。

10月7日周三
  1. arXiv · ML31

    VAE 潜空间中的颜色对齐及其在文生图模型中的应用

    研究发现文生图模型的 VAE 潜空间共享与亮度及对立色对齐的颜色子空间,通过线性近似编码器在 SD1.5 到 FLUX.2 等模型中验证了该特性。 提出 ColorTuning、饱和度控制和颜色迁移三项应用,其中 ColorTuning 在 GenColorBench 的 CSS3/X11 系统上实现精细数值颜色生成的 SOTA 效果。 代码和模型已公开。

  2. arXiv · ML43

    样本最优的 Fréchet Inception Distance (FID) 估计

    研究提出 Relative Taylor Debiasing (RTD) 算法,实现了 O(d/ε²) 的样本复杂度最优 FID 估计。RTD 在 50K 样本预算下达到最低平均估计误差,其 VALE₂ 估计器仅用 10K 样本即可匹敌 50K 样本下的 FID∞ 精度。 RTD 利用 U-statistics 启发的去偏技术,显著提升了有限样本下生成模型评估的准确性与效率。

  3. arXiv · ML20

    扩散模型为何移除编码器残差连接?

    提出 DDT-RBE 以移除扩散模型编码器中自注意力与 MLP 模块周围的残差连接。 该方法通过融合输入 Patch 嵌入与中间及最终编码器特征来保留低层细节,同时允许各块学习更抽象的表征。 DDT-RBE 在图像分类、语义分割等视觉理解任务及 ImageNet 生成任务(更低 FID)上均优于 DDT。

10月6日周二
  1. arXiv · NLP35

    EvoDiagram: 通过设计专长进化实现智能体可编辑图表生成

    EvoDiagram 是一个智能体框架,通过中间画布 schema 生成对象级可编辑图表,解耦语义意图与渲染逻辑。该框架采用设计知识进化机制,将执行轨迹蒸馏为分层记忆,并发布了 CanvasBench 基准。 实验显示,EvoDiagram 在生成可编辑、结构一致且美观连贯的图表方面表现优异,代码已开源。

  2. arXiv · AI27

    UniSlider:面向连续图像编辑的感知均匀滑块

    UniSlider 将滑块与生成强度参数解耦,要求感知距离随滑块值线性增长,从而解决图像回退、区间无变化或突变的问题。 它是在少步编辑骨干上训练的轻量 LoRA,通过自适应采样在推理时重映射强度,无需额外训练或参数;在 300 个连续编辑的新基准上,其在均匀性、单调性、编辑保真度和身份保持上均优于现有方法,并获得用户研究偏好。

  3. arXiv · AI36

    文本到图像模型的有害内容生成:能力与审核局限

    一项系统评估显示,五个开源文本到图像模型在将正常新闻标题改写为不安全提示词后,有害内容生成率最高达 89.2%(血腥暴力类),性露骨内容为 47.6%。 研究覆盖性露骨、暴力血腥、有害刻板印象、自残与仇恨言论五类,社区微调变体尤其易被性露骨提示词突破;FLUX.1-dev 有 30.9% 的案例生成明显逼真的有害图像。

  4. arXiv · AI22

    TPUS:面向超声与 MRI 子宫结构的拓扑感知提示条件通用分割框架

    研究者提出 TPUS 框架,用拓扑感知提示条件实现超声与 MRI 跨模态子宫多结构通用分割,在两个留出测试集上 Dice 分别达 0.898 和 0.693,优于多种通用分割基线。 TPUS 采用模态专属 stem 加模态共享图编码器-解码器的多数据集骨干,配合任务感知类别提示、动态卷积适配模块与拓扑感知损失,支持异构标签空间联合学习。 代码已开源。

  5. arXiv · AI41

    AgroGround:农业领域的多粒度有根识别数据集

    AgroGround 是一个包含 794,850 个指令示例的大规模有根农业识别数据集,用于识别植物病害并定位图像区域。该数据集通过自动化流水线转换八个农业视觉问答数据集中的标签生成。 微调后的 2B 模型在联合正确率上达到 43.3%,且在健康图像上的拒绝率为 95.0%。 代码已开源,该基准测试建立了有根农业识别的新标准。