跳到正文
11月5日周四
  1. arXiv · NLP37

    SVGFaith: 针对文本生成 SVG 忠实度指标的两层元评估

    研究人员提出 SVGFaith 双层元评估框架,包含 1,842 对诊断数据和 1,327 个人工标注竞技场数据。 SVGFaith-Score 在 Arena 及两个诊断方向上均显著优于包括 Qwen3.5-122B-A10B 在内的九项基线。 该框架揭示了现有嵌入指标在空间关系和属性绑定上的局限,提供了可解释的逐需求评分。

  2. OpenAI (X)75

    OpenAI 发布 ChatGPT Images 2.6

    OpenAI 推出 ChatGPT Images 2.6,支持生成 GIF 和使用参考图片。新功能将同步上线 API,图像生成速度提升 50%。

    推荐理由:新功能开放了 GIF 和参考图输入,API 生成速度提升 50%,便于评估其在创作工作流中的适用性。

11月4日周三
  1. HiDream智象元一34

    智象元一提供AIGC支持:以HiDream-O1-Image生成总台科晚五万张邀请函

    智象元一利用自研HiDream-O1-Image图像大模型,为《中国科技创新盛典》提供AIGC支持,生成5万张限定邀请函。 邀请函涵盖复古插画、环形视窗、全幅场景三种视觉形式,覆盖五大科学主题。 这是该模型在国家级文化IP中的规模化落地,验证了其专业级视觉生成与内容创作能力。

  2. 商汤科技SenseTime20

    商汤小浣熊:从国风创作到业务图生成,真实用户如何用SenseNova U系列模型

    商汤小浣熊依托SenseNova U系列模型,支持复杂指令与多轮调整,用户通过它将诗句转化为国风画作并生成业务关系图。 技术层面,U1 Pro擅长处理多层要求的复杂任务,不易滑向“过度3D”;U1.5 Lite则基于Neo-unify架构,支持超长指令与灵活修改,适合高频快速迭代。

  3. arXiv · ML25

    LIPS-PC:通过单像素成像中的学习光照模式实现分类

    研究团队提出LIPS-PC方法,利用端到端学习的光照模式在单像素成像中直接进行分类。 该方法将测量算子参数化为二维离散余弦变换的残差修正,并与紧凑分类器联合训练,无需重建目标。 在MNIST、Fashion-MNIST及RIAWELC数据集上,8次测量时其准确率比最佳固定变换高9-15个百分点,测量成本降低2至4倍。

  4. arXiv · ML23

    SWAP-INR:基于可切换注意力路径的隐式神经表示,用于时变多变量科学数据压缩

    SWAP-INR 提出了一种针对时变多变量模拟数据的高保真压缩架构,在小型模块化反应堆(SMR)数据集上实现了 SOTA 性能。 该模型引入 SWAP 模块通过确定性判据路由变量并剪枝非活跃层,利用 A2-SIREN 实现通道级可学习调制。 结合后训练 16-bit 量化,该架构在保持受限内存占用的同时,在公开物理模拟数据集上保持竞争力。

  5. arXiv · AI26

    DiagramBank:基于5.7万篇AI论文图表的自动生成参考资源

    DiagramBank收录来自26,751篇已发表AI/ML论文的57,100张科学图表及对应文本,图表筛选精确度达93.67%。 该资源用于自动图表生成,在PaperBanBench上将PaperBanana总分从4.62提升至7.88,并在BizGenEval中优于随机参考。 DiagramBank为复杂图表设计提供了可检索参考,支持自动生成的实用化验证。

  6. arXiv · AI33

    权重空间编程在审计临床决策网络中的研究

    研究表明,Claude Opus 5.5 在盲审模式下成功识别并修复了 16 个含缺陷临床网络中的 16 个,仅通过中位数 3 个参数修改实现修复。 该模型在 18 个缺陷网络中准确指出了 16 个错误规则,所有发现均通过约 42 万次请求测试验证,证明小网络中权重空间编程可定位阈值偏移等缺陷。

  7. arXiv · AI22

    FlowTranslator:一种基于流式编辑的免训练图像内机器翻译方法

    FlowTranslator 提出了一种免训练的图像内机器翻译框架,利用 OCR 和 LLM 生成提示词注入 T2I 扩散模型。 该框架引入区域耦合释放与耦合扩展两种轨迹控制机制,在 EasyOCR 协议下取得 20.6 的 PRIM BLEU 和 57.2 的 COMET 分数,优于 UniTranslator 基线。 结果表明,基于流式的编辑技术可成为图像内机器翻译任务中强大的免训练基线。

11月3日周二
  1. 硅基流动45

    硅基流动上线 MOSS-Image

    硅基流动上线由模思智能与 OpenMOSS 团队开源的 MOSS-Image 模型。该模型 5B 参数主干支持 4K tokens 提示词输入,主打精准文字渲染与 JSON Layout 布局控制。 开发者可通过硅基流动 API 以 0.3 元/张的价格调用,满足海报、图解等复杂排版及多风格图像生成需求。

  2. arXiv · ML24

    利用少样本扩散缺陷合成加速新产品引入中的视觉质量检验

    该扩散生成框架通过少样本缺陷合成加速新产品引入中的视觉质量检验,在RF-DETR检测器上显著提升性能。 在少样本增强设定下,模型将mAP从78.8%提高至83.3%;在零样本适应设定下,mAP从65.0%提升至85.1%。 研究支持其有效缩小领域差距,在缺乏真实缺陷数据时实现高效检测模型部署。

  3. arXiv · ML27

    GDMD:基于梯度强化学习引导分布匹配蒸馏

    GDMD框架将强化学习应用于扩散蒸馏,通过优先使用蒸馏梯度而非原始像素输出作为优化信号,解决了样本评分与蒸馏轨迹冲突的问题。该机制将DMD梯度重新解释为隐式目标张量,使奖励模型直接评估蒸馏更新质量,实现自适应加权同步。实验显示,GDMD的4步模型在GenEval和人类偏好指标上超越多步教师模型及DMDR,刷新少步生成SOTA。

  4. arXiv · ML35

    一致性模型训练稳定化:流映射分析与自蒸馏方法

    该研究通过流映射视角分析一致性模型,揭示导致退化解的训练与收敛机制,并提出改进的自蒸馏方法 iSD 及其变体 iSD-T。 iSD 重新表述目标函数以避免过大的梯度范数,iSD-T 进一步结合无分类器引导以提升性能与可复现性。 论文证明该方法不仅适用于图像生成,还可扩展至基于扩散的策略学习,且无需依赖预训练扩散模型初始化。

  5. arXiv · ML33

    One Image Is Enough: Self-Generated Supervision for Personalizing Human Video Diffusion at Test Time

    提出基于单参考图像和自生成伪标签的人体视频扩散个性化方法,在测试时通过合成关键姿态帧监督,无需多姿态视频或真实标签。 方法采用域调优姿态条件生成器产生伪真值帧,结合推理时参考仅采样器和低秩适配器训练;在 TikTok 和 UBC Fashion 基准上,改进模型优于基线,反转身份-运动权衡,性能匹敌使用五张真实帧的适应模型。

  6. arXiv · ML23

    Latent Diffusion-GAN:在自编码潜在空间进行对抗学习

    研究人员提出 Latent Diffusion-GAN (LD-GAN) 框架,将对抗学习无缝整合进扩散模型,利用预训练 VAE 作为基于能量的判别器,无需额外参数即可进行对抗训练。 该框架引入结构一致性能量对齐编码器与解码器特征,确保训练动态高效。实验表明 LD-GAN 在多个生成任务上显著优于 SOTA 基线方法,提升了样本保真度、感知锐利度与多样性。

  7. arXiv · ML22

    ODC:正交漂移校正改善文生图语义对齐

    提出推理时引导方法 ODC,通过两阶段流程校正文生图语义漂移,无需重新训练或额外用户输入。 第一阶段在共享视觉-语言嵌入空间识别并隔离正交于提示词方向的漂移分量,第二阶段生成精炼文本条件。 在 COALBench-300 和 PartiPrompts 上提升 CLIP 分数最多 5.4%,在 T2I-CompBench 复合子集提升平均 3-in-1 分数 4.5%。

  8. arXiv · ML22

    离散生成聚类 (DGC):基于正则化 Wasserstein 距离的聚类分析方法

    该研究提出离散生成聚类 (DGC) 框架,将聚类分析建模为离散生成问题。 通过用正则化 Wasserstein 距离替代 DDN 的 l2 损失,解决了硬最近邻选择导致的训练不稳定问题。 DGC 具备四个优势:簇中心可解释为真实合成样本;推理成本随簇数 K 呈对数级 O(log K) 增长;优化目标平滑且收敛稳定;采用随机邻居选择避免多步前向中的密度偏移。

  9. arXiv · ML23

    FlowFPR:基于流匹配先验的过采样傅里叶相位恢复方法

    提出 FlowFPR 方法,结合预训练流匹配先验与松弛平均交替反射,用于过采样傅里叶相位恢复。单次时间相关流预测即可获得清晰图像估计,无需通过流网络反向传播测量误差。在自然人脸图像测试中,联合变体在两个非零噪声水平下取得最佳平均质量,且端到端运行时间低于扩散模型基准。

  10. arXiv · ML24

    动态合并互蒸馏多视图网络用于基于 RGB-事件 的表示学习

    提出一种互蒸馏方法,结合多视图教师网络权重实现模型参数级融合,解决现有范式仅利用有限事件数据表示能力的问题。 采用多个编码器提取不同事件表示,在特征级和 logit 级进行互知识蒸馏,再通过动态层级模型合并策略生成统一的 RGB-事件表示模型。 在多个基于事件的基准数据集上验证,该框架取得显著性能提升,为多模态融合提供更优解决方案。

  11. arXiv · AI29

    WaiT 频域感知 Flow-Matching 模型:WaiT for the Signal

    WaiT 通过小波分解将生成过程分为粗细频段,让高频带等待粗结构出现后再参与精修。 模型在 ImageNet 512x512 上像素空间 FID 达 1.43,最大 2B 模型以 FID 1.3 创下像素空间模型 SOTA,且采样算力降低 50%。 该方法在纹理保真度上超越最强的潜在空间模型,并在 Kinetics-600 上以 FVD 0.84 实现视频生成 SOTA。

  12. arXiv · AI28

    GILA:用于 AI 生成图像检测的全局层间聚合方法

    研究人员提出 GILA 方法,通过层间自注意力机制聚合冻结视觉编码器的多层全局表征,旨在解决现有检测器泛化能力有限的问题。 该方法无需微调预训练编码器,在三种视觉骨干网络和十个生成器上验证了其对检测性能的提升。 实验结果表明,GILA 显著增强了跨数据集的泛化能力,有效利用中间层信息。

11月2日周一
  1. arXiv · AI23

    3D-ARD+ 实现结合自回归与扩散的交互式文本到场景生成

    研究团队提出 3D-ARD+ 模型,统一自回归生成与扩散生成,实现交互式文本到 3D 场景创建。 该模型采用两步生成策略:先生成场景空间中的粗粒度 3D latents,再生成物体空间中的细粒度 latents 以解码几何与外观。 团队利用 23 万室内场景数据集训练 7B 参数模型,展示其能根据复杂文本指令准确生成并放置物体。

  2. arXiv · AI23

    7B参数视频世界模型通过合成无人机数据提升空中检测精度

    利用7B参数视频世界模型生成合成数据,可将空中检测器在保留测试集上的mAP@50-95提升4.3%至10.3%。 生成合成数据成本约为1,100美元GPU时间,而同等规模真实数据需3,200美元以上人工采集成本,且87.5%的生成片段会被专家过滤。 该研究证明合成数据能将数据获取成本从实地采集转移至计算资源。