MeanFlowAdvantage:面向少步平均速度生成器的稳定奖励微调
提出 MeanFlowAdvantage,一种用于平均速度生成器的符号优势加权最小二乘目标,解决了奖励微调中的表示不匹配问题。 在 SD3.5-Medium 上,该目标在4次 NFE 下,于8项指标中6项达到或超过 40 步 DiffusionNFT 基线;还成功应用于 DNA 启动子设计。
提出 MeanFlowAdvantage,一种用于平均速度生成器的符号优势加权最小二乘目标,解决了奖励微调中的表示不匹配问题。 在 SD3.5-Medium 上,该目标在4次 NFE 下,于8项指标中6项达到或超过 40 步 DiffusionNFT 基线;还成功应用于 DNA 启动子设计。
TelePhysica是一个闭环框架,能从单张照片重建可执行的物理世界并驱动3D交互。在100个场景基准中,其平衡验证的世界恢复率从0%提升至81%。 该框架结合视觉语言编码智能体与统一求解器,通过模拟轨迹条件化视频扩散模型。条件化使动态运动掩码重叠增加2倍至5倍,并在反事实力反转下保持运动方向。
论文提出 JaRS 方法,利用雅可比行和区分扩散模型的记忆区域与局部平均,无需参考图即可实现无对比定位。 在 Stable Diffusion v1.4、v2.1、Realistic Vision v5.1 及无条件 DiT 上,增强版 JaRS+ 性能优于传统基于对比的局部化方法。
提出一种品牌意识重新设计生成框架,在品牌图像约束下实现创意产品视觉探索。 该框架通过构建品牌调查报告推导创意方向,并整合自增强循环进行图像批评与提示词修订。在50个重新设计任务中,该方法在创意性和品牌可识别性之间实现更优平衡,在汽车等高约束类别中优势显著。
研究者提出“过度实现”概念,指出文生图模型常违背提示词逻辑生成目标物体。该现象在否定、想象等四种情境下发生,且常规指标如 CLIPScore 未予惩罚。 研究构建 OverReal 基准,包含 698 条提示词与 2841 张人工标注图像。
研究人员推出 DesignTaste 基准,通过 403 份设计简报评测 6 个商用文生图模型,并与获奖作品对比。 简报源自 Beste Plakate 2025 与 ADC 2026,涵盖海报及 20 个设计类别,由单一模型裁判评分。 仅 ArtArk 模型的平均总分超越获奖作品,所有模型在创意原创性维度得分均较低。
Iris-Z 是一个通用图像生成器,结合外观与几何生成,单一骨干网络同时处理深度估计、生成和渲染任务。在足够规模下,它超越了现有深度基准的专用模型 SOTA,同时保留原始生成能力。 该模型无需专用层,统一处理单目几何任务,打破了专用架构长期主导该领域的局面。 作者发布两个模型供社区使用,验证了“苦涩教训”在视觉智能领域的适用性。
针对水下图像恢复中色彩失真与散射问题,WaveFlow-UIE 提出一种单管线小波域流模型,通过直接学习小波表示映射实现高效恢复。该模型结合流匹配训练与小波空间物理退化线索估计,在 UIEB、UFO-120 等基准上实现质量与效率的平衡,相比小波扩散基线显著降低推理成本。在 UIEB 256x256 分辨率下,从五步流程简化为单步推理仍可保持近乎全部的恢复质量,并带来约 4 倍的速度提升。
研究提出无需训练的插件 RTC,利用多模态大语言模型(MLLM)推理识别低分辨率图像中的退化文本,并将其作为条件输入。 该方法在评估的六个文本条件超分辨率模型上均带来性能提升,尤其在需要推理的文本场景表现显著。
研究提出 RADS 框架,通过采样时控制缓解文生图扩散模型的记忆现象,保持生成保真度。 该框架将去噪视为动力系统,利用策略条件可达性值函数估计记忆风险,通过约束强化学习在嵌入空间扰动轨迹。 实验表明 RADS 在多样性(SSCD)、质量(FID)和对齐(CLIP)上达到优于最先进推理时基线的帕累托前沿。
扩散模型内部表征作为辅助学习信号,能持续提升对抗训练(AT)的鲁棒性。 实验表明,扩散表征多样化且部分鲁棒,与合成数据互补,促使特征更解耦。 在 CIFAR-10、CIFAR-100 及 ImageNet 上验证了联合利用扩散表征与合成数据的有效性。
FLEX-LBP通过反向传播学习局部二进制模式参数,在六个基准测试上比固定描述符平均提高3.55分准确率。 模型仅含90个可学习参数,推理成本不变;在Kather结肠癌组织学基准上达到93.8%准确率,优于2350万参数的ImageNet ResNet-50特征。
研究评估四种 ZACH-ViT 变体及两个基线模型,在七个 MedMNIST+ 数据集及三个外部基准上训练,所有模型参数量少于 260,000 且为 CPU 可训练。
ATune 是首个无需专家修图数据、仅靠 10M 张照片进行无监督训练的图片质量优化模型。 该 54M 参数模型通过设定 13 项图像属性目标值,驱动 RawTherapee 等编辑器调整滑块以改善画质。 在人类偏好测试中,用户以 54.3% 的比率更青睐 ATune 而非 GPT-6 Astra 的修图结果。
PaGeR 框架通过混合视角与全景图像训练,在单次前向传播中统一预测尺度不变深度、度量深度、表面法线及天空掩码。该策略保持底层预训练 Transformer 架构变更最小化,保留丰富的 3D 先验,实现了几何一致的 360 度场景重建。PaGeR 在室内外环境中表现出 SOTA 性能及优秀的零样本泛化能力,代码与模型已开源。
研究人员提出紧凑且可逆的曝光等变编码 EquivFlow,无需修改 VAE 即可解决 SDR 到 HDR 重建中常见的暗部崩溃问题。 该编码将曝光变化映射为加性偏移,保留了尺度无关的色度成分,并在 SDR 到 HDR 视频扩散模型中取得了一致的色度保真度提升。 EquivFlow 在跨预训练图像与视频 VAE 的编码层测试中,证明了其曝光结构与深暗色度传输的稳定性。
JiT 模型通过添加后期像素精化卷积层显著提升了图像生成质量。在 ImageNet@256 数据集上,该方法将 FID 从 2.34 降低至 1.78。 该卷积像素通路层无需在早期去噪阶段激活,最晚可在去噪过程的最后 20% 阶段激活。此改进未使用额外的损失函数。
研究提出轨迹正则化分布蒸馏(TRD),结合分布级与轨迹级监督,单次前向传播生成用于一步生成的策略。 在 SANA-1.6B 和 Stable Diffusion 3.5 上,TRD 在生成质量和训练效率上优于代表性基线,但样本多样性存在权衡。
针对地球观测数据覆盖不均与多模态处理成本高的痛点,本研究系统梳理地球嵌入理论基础并评估其应用。 在四个下游任务(高光谱分类、树冠分割、产量预测、生物量估算)中,地球嵌入表现并非总是优于原始影像或手工特征。 结论指出,地球嵌入应作为跨时空稳定表征补充而非替代传统数据,从业者需根据具体任务评估其适用性。
提出免训练框架 Forward-Value Discretization,证明高阶近似无法提升随机采样收敛阶。 包含 F-DPMSolver 与 F-DDPM 变体,单次迭代仅评估一次模型,在 CIFAR-10 等数据集实现更低 FID。
提出可逆线性层 RB-LDC,通过重平衡潜变量各方向的信噪比(SNR)以匹配解码器敏感度,显著提升扩散模型在噪声干扰下的重建质量。 在 ImageNet 256x256 分辨率实验表明,使用冻结扩散模型时,RB-LDC 在全部 12 种采样进度与通道 SNR 组合中均获得更低的 FID 值,VA-VAE 块局部编码下扰动 FID 平均降低 17.1。
针对 Rectified Flow 固定点反转中多解选择缺乏原则的问题,提出方法 SelFix。 该利用轨迹直线性作为选择标准,能在标准局部假设下收敛至精确逆根。 在 FLUX.1-dev 和 PIE-Bench 上,SelFix 实现了比基线更强的实图重建和源保持提示编辑。
论文提出自蒸馏生成对抗网络(SD-GAN),通过将 EMA 生成器作为教师指导主动生成器,以感知损失提升训练稳定性。 SD-GAN 在简化连续时间 Dirac-GAN 设置下证明了局部渐近稳定性,并有效抑制了寄生循环行为。 在多个架构和数据集上,SD-GAN 改善了 FID 和 random-FID 等指标,且被接收至 NeurIPS 2026。
该研究提出一种统一的欧几里得-沃瑟斯坦-2梯度流框架,通过单一流在潜空间中联合执行后验采样和提示优化,以解决逆向问题。该方法结合少步潜文本到图像模型,实现了无需对自编码器进行反向传播的低NFE推理。在多个经典成像逆向问题实验表明,该方法在显著降低计算成本的同时实现了最先进性能,并被NeurIPS 2026接收。
PAIR 框架重构了文生图扩散模型的概念擦除任务,通过构建不安全-安全配对实现一致性保持的语义重对齐。 采用成对语义重对齐与 DoRA 的 Fisher 加权初始化,实验表明其在概念擦除与生成质量间实现了最佳平衡。 该成果已被 NeurIPS 2026 接收。
提出几何-概率框架 (L)MPPM 用于盲图像修复,通过核方法近似分布并引入流形距离函数。 该模型在图像及潜空间诱导由联合几何与概率信息引导的分数场驱动流。在多项图像修复基准上,(L)MPPM 性能持续优于现有方法。
论文提出MGN-AIR像素级修复框架,用于All-in-One图像修复。 该框架估计像素级视觉提示,结合文本与视觉提示提供全局和局部退化线索,实现精细控制。 实验显示其在去噪、去雨、去模糊、去雾、去雪和低光增强等基准测试中,表现显著优于现有方法。该工作已被ACMMM 2026接收。
summary_zh: UDT提出数据自适应Token缩减机制,结合Diffusion Transformer与U-Net优势,在256x256 ImageNet上将XL模型收敛速度提升约40倍。
研究人员提出 TDAction,用于构建单步生成模型。该方法通过优化共享参数更新路径,解决传统传输目标仅关注分布运动的问题。在 ImageNet 256x256 数据集上,TDAction 实现了低于 1.1 的 FID 分数,且无需蒸馏过程。
该研究针对现有方法在主体驱动生成中存在的跨模态推理局限及复制粘贴伪影问题,提出条件化扩散模型框架。模型联合编码文本与参考图像,并引入VAE身份条件及双层聚合模块,通过多阶段去噪平衡语义与细节。 实验显示该方法在人工偏好上取得优越性能,有效协调多模态理解与身份保持。
研究者提出模型拼接框架 StitchVM,将冻结扩散模型前缀与预训练奖励模型后缀通过兼容特征接口连接,通过闭式特征拟合和轻量蒸馏使模型能直接从不干净潜变量估计价值函数,无需近似或额外去噪。
Signed Rectified Flow (Signed RF) 将 Rectified Flow 推广至对数似然差异为正的符号测度,从而生成有效的分布并排斥负成分占主导的区域,将负信息与排除约束纳入生成建模框架。
SANEval 是一种开放式词汇组合式评测基准,包含 6 个 SOTA T2I 模型生成的约 5250 个提示词图像对,并配有模块化评估流程。 该流程结合 LLM 提示词解析器、开放式词汇检测器及属性绑定等评分器,在 500 个人类评分验证中,SANEval 整体 Pearson 相关系数为 0.222,优于 CompBench++ 和 GenEval。
提出 FMTT 算法,通过利用流图与速度场的关系,在测试时优化扩散模型的奖励梯度,避免常规方法中因奖励仅在数据分布末端定义而导致的不适定问题。 FMTT 可执行基于重要性加权的精确采样,或识别奖励倾斜分布局部极大值的原则性搜索,相比其他前瞻技术更有效,并能处理复杂奖励函数(如结合视觉语言模型实现新式图像编辑)。
EqM 提出基于平衡动力学的生成建模框架,在 ImageNet 256×256 上取得 1.90 FID,为测试方法中最佳。 EqM 舍弃传统扩散/流模型的时间条件动力学,学习隐式能量景观的平衡梯度,推理时通过梯度下降、自适应优化器与自适应计算进行采样。 该框架可扩展至部分噪声去噪、OOD 检测与图像合成等任务。
Pixel-space Flow Matching 中标准 $v$-prediction 失效源于次成分中的带宽瓶颈,而非目标分布 off-manifolding。
reComposer 通过可编辑规划支持 8 位专业用户协作,相较直接提示词让用户感到更强的控制感。 系统将用户意图分解为主体、构图等决策,支持对话式与直接操纵以探索替代方案。 该过程强调从指定输出转向塑造过程,以支持创造性思维与资产生产。
Flex-DDCM 是一种零样本任务导向图像压缩框架,基于 Turbo-DDCM 通过自适应编码扩散轨迹和任务引导噪声选择实现重建。 该方法允许单独或组合应用引导项,并利用时步相关强度控制去噪过程中的影响,在不增加解码复杂度的情况下实现任务适配。 实验表明,该框架在像素保真度、感知质量和下游任务性能间提供灵活权衡,性能媲美已训练的任务导向编解码器且解码速度快于 Diff-ICMH。
dNaViT 提出一种基于离散自回归建模的视觉 Transformer,通过冻结预训练编码器与轻量级残差调制生成离散视觉原语。利用分组乘积量化扩展离散容量,避免空间序列长度膨胀。在 12 个视觉理解、4 个生成及 1 个图像编辑基准测试中,其性能达到或超过专用任务基线,证明紧凑离散词表可作为通用视觉货币。
PhysDNet 在 Seeing Through Fog 基准上性能优于竞品 1.67 dB,计算量降低 5.2 倍,恢复 54.9% 的雾致检测损失。 该轻量架构融合近红外图像与稀疏 LiDAR 深度,通过物理约束双头目标进行训练,在 L/M/S 变体中以低于 4 瓦功耗运行。 模型被 NeurIPS 2026 接收,支持在固定功能 NPU 上部署。