Geo-FSRL:面向少步流强化学习的随机策略几何优化方法
该研究提出 Geo-FSRL 方法,通过最小化条件 KL 散度诱导的几何因子来选择最优随机策略。 在等向高斯转移族中推导出唯一闭式优化器,结合梯度尺度匹配推导闭环策略梯度权重。Geo-FSRL 在 4 步设置下于图像与视频生成任务中取得优于 Flow-GRPO 和 Flow-CPS 的最终奖励分数,代码已开源。
该研究提出 Geo-FSRL 方法,通过最小化条件 KL 散度诱导的几何因子来选择最优随机策略。 在等向高斯转移族中推导出唯一闭式优化器,结合梯度尺度匹配推导闭环策略梯度权重。Geo-FSRL 在 4 步设置下于图像与视频生成任务中取得优于 Flow-GRPO 和 Flow-CPS 的最终奖励分数,代码已开源。
研究团队发布 RAID 数据集,包含 216k 张多样化的对抗性图像,用于评估 AI 生成图像检测器的鲁棒性。 该数据集基于 4 种文本生成图像模型,并针对 7 个最先进检测器的集成优化攻击生成。 实验表明 RAID 图像能迁移至未参与优化的检测器,使其性能下降,失败即指示检测器缺乏对抗鲁棒性。
论文提出 sDMD,通过结合 Sinkhorn 散度与逆向 KL 散度来改进多步扩散模型的蒸馏过程。 该方法利用判别器自适应激活修正项,将离群样本导向目标分布,提升了模型的模式覆盖能力。 sDMD 仅需 2-4 步采样,在 FLUX.1-dev 等模型上优于基线方法,并在 GenEval 等基准上取得更好结果。
ROAD框架通过单一对抗性目标实现大规模文本到图像模型的高效单步蒸馏。该模型在COCO-10K测试集上取得SDXL 11.03 FID和SD3.5-M 13.73 FID的性能。 ROAD引入Lipschitz控制的Transformer头和Jacobian R1惩罚项,通过周期性重采样随机特征混合生成器与评判器。相比多步教师模型,该方案在保持性能的同时大幅降低了训练计算成本。
针对预训练自回归图像模型无法进行推理时编辑的问题,提出未来感知位置嵌入和顺序课程两种组件实现任意顺序生成。 在 LlamaGen 和 RAR 四个基座模型上,该方法在 ImageNet 修补任务 FID 达 6.21,优于 MaskGIT 的 10.44,且兼容现有 AR 推理栈。 额外计算成本仅为预训练的 13-33%,论文已被 NeurIPS 2026 接收。
研究人员提出广义 Feynman-Kac 修正器(GFKC),一个用于从多个预训练扩散模型组合出的任意目标分布中采样的框架。该方法在 log 域运作,通过解析求解 Feynman-Kac 偏微分方程的势函数,并在生成时即时修正,无需重新训练或微调模型。实验表明,该方法在解析高斯模型和 MNIST 训练模型上均能精确匹配目标分布并实现有效引导。
研究提出UniDG统一缺陷生成模型及包含30万条数据的UDG数据集,用于异常检测中的视觉缺陷生成。 模型采用MM-DiT注意力融合多模态条件,经两阶段训练后,在合成质量及下游异常检测任务中优于现有少样本基线。
SpecSlot 提出一种像素空间 rectified-flow Transformer,通过解耦输出细节与全局注意力序列长度来优化生成效率。 该模型将每个空间锚点扩展为多个 slots,并分配互不重叠的 DCT 系数频段,仅最低频段参与全局注意力。在 ImageNet-512 上,SpecSlot 比对照组 FID 改善 2.84,同时 FLOPs 减少 3.9%。
研究者提出 Intrinsic Distribution Matching (IDM) 方法,通过匹配特征均值和逐坐标标准差来改进分布匹配蒸馏(DMD)。IDM 保留完整 DMD 修正,并利用生成器的指数移动平均(EMA)副本进行约束,无需外部特征编码器。
DeCoRL 是一个强化学习框架,将整体一致性分解为对象级一致性,以提升多图合成(MICo)质量。 该方法通过定位参考图像中的对象对应区域,并利用基于 VLM 的奖励模型生成细粒度反馈,以此引导后续训练。 实验在 DeCo-Bench 和 MICo-Bench 上显示,该方法在多图合成一致性方面带来了持续提升。
SparseTokenGS 提出基于可复用 token 池的稀疏视角锥束 CT 重建方法。 该方法通过 Anchor Token Fusion 和 Point-Token Attention 机制,在单次前向传播中实现重建,无需逐扫描优化。
一项包含11,123人的在线实验表明,在隐藏来源的测试中,参与者更倾向于将自己喜爱的图片判断为人类制作,偏爱度与感知人类作者身份正相关。 分析显示,在所有观点群体中,三分之一到五分之二的参与者将AI生成作品选为最爱,但误以为是人类创作;该发现对现有AI艺术偏见研究和披露政策具有启示意义。
研究提出几何感知前馈模型 EUReCA,以单一权重集支持 8-100 个投影的锥形束 CT 重建,无需针对视数重训练。模型结合共享多尺度骨干与 FDK 重建,在模拟数据上达到 29.9-33.2 dB PSNR。在 15 例实测患者扫描中,其在所有测试视数下性能均优于厂商重建结果。
FVH-Bench 包含 5 种有害视觉功能和 10 个风险领域的 669 个提示词。 评测 11 个图像生成器,发现它们很少拒绝请求,且生成的图像能有效满足有害功能,现有安全检测器对此覆盖有限。 这表明图像生成器安全对齐评估需同时考虑图像所描绘的内容及其可能启用的功能。
论文提出 AegisFlow,一种免训练的非近视路径安全引导框架。 将引导生成重构为安全关键最优控制问题,通过集成时变屏障函数推导 HJB 方程近似。 在文本引导图像编辑和机器人规划实验中,该方法优于当前 SOTA 方法,代码已公开。
研究人员引入含13,119张图像、48种瓶型SKU的Bottle-SKU基准,并提出ProDMM模型解决SKU特异性外观差异。 ProDMM利用SKU视觉原型动态生成低秩Query/Value调制,保留Grounding DINO检测路径。 在GC10-DET-SKU等数据集上验证了该原型引导域调制方法的有效性。
提出 c-Rectified flow 框架,建立迭代收敛至最优传输耦合的计算与统计保证。 普通 Rectified flow 在 Gaussian 案例中仅当协方差矩阵可交换时才收敛,c-Rectified flow 在正则性假设下始终收敛。 证明了基于 Hölder 球假设的 minimax 最优 score 估计率,实现维度 $d \ge 3$ 时的最优估计。
summary_zh: 提出一种即插即用的 Markov 自适应动量采样方法,基于随机梯度下降优化原理,在得分生成模型中加速采样过程。 该方法在不引入额外超参数的情况下,将图像与图生成基准测试的速度提升 2 至 5 倍,且性能保持或超越基线。
新模型 PREEN 通过预测智能手机编辑器的 29 个参数来执行颜色风格迁移,在 PST50 基准测试中优于基线。 该方法利用风格迁移教师模型生成伪预设标签,结合 LoRA 精调,并在 CIELAB 损失下优化。 预设支持亚秒级端侧推理,且可通过强度旋钮在单次前向传播中实现从默认到生动的连续调整。
针对开放基础模型可能被 LoRA 适配产生有害输出的问题,研究提出了一种基于假设检验的溯源签名协议。 该协议利用模型生成图像集合的内在维度构建黑盒签名,可在未知候选集的开放场景中区分基础模型、LoRA 适配及其他模型族。 此方法解决了现有工作仅能识别已知候选列表模型的局限,提升了模型溯源在现实环境中的适用性。
针对扩散和流模型强化微调中策略坍缩为狄拉克δ分布的问题,提出DRIFT框架以激励输出多样性。 该框架通过采样过滤奖励异常值、提示词随机变化及组内多样性奖励重塑三个层面解决问题。 实验显示DRIFT在保持对齐度时多样性提升3.88%–81.42%,代码已开源。
跨学科项目“她工作,他工作”通过对比生成式AI中男女建筑工人的图像输出,揭示社会偏见如何体现在AI生成系统中。研究采用融合传统性别特征与非典型场景的提示词,发现AI倾向于强调女性的审美与敏捷性,而将男性与权威感和专业性联系起来。
提出 Wavelet Phase Diffusion 解决相位扩散的全局谱耦合问题,实现结构语义一致的 Sim-to-Real 翻译。 采用 Dual-Tree Complex Wavelet Packet Transform 域和 Low-Frequency Randomization 技术,基于非配对数据训练,支持实例级翻译。
Hexels通过平面六边形表面单元提升3D渲染与重建效率,在34个场景中较2DGS将PSNR提高4.53-7.38 dB,并降低训练显存占用。 其在3D表面重建中较2DGS减少28.9%误差,在6个Tanks and Temples场景中以34.38%的平均F1值达到最优表现。
研究提出结合通道注意力的轻量级 CNN 框架用于皮肤癌二分类,模型参数量 1.95M,准确率 87%。 在 2637 张训练和 660 张测试图像上,ROC AUC 达 0.9475,存储占用仅 7.45MB,参数量和存储空间约为 MobileNet 基线的一半。 通过生成显著性图(saliency maps)直观展示影响模型决策的区域,实现了性能、效率与可解释性的平衡。
研究提出 ReSeed 方法,通过在扩散模型蒸馏的首个去噪步添加种子响应偏差适配器,显著恢复生图多样性,无需微调整个学生模型。 在 4-step FLUX.1-dev 模型上,ReSeed 仅增加 0.00196% 可训练参数,使用 8,000 个提示词-噪声对训练,使 DINO 多样性提升 48.3%。 该方法轻量且数据高效,能在保持视觉质量竞争力的同时,有效解决蒸馏模型初期多样性丢失问题。
研究将解剖地标检测重构为像素级对比表示学习问题,通过匹配密集像素嵌入与地标原型生成更具判别力的热力图。结合全局地标构型中的可学习形状先验消除位置歧义,在AASCE数据集及两个私有数据集上达到最先进的地标准确率和临床参数估计水平。代码和预训练权重已公开,支持脊柱变形严重度估计和术前规划。
提出利用视频基础模型先验的FrameForge,实现统一条件图像生成。 采用Mixture of Temporal Experts (MoTE) 动态选择时间RoPE专家,配合Chain of Temporal Reasoning (CoTR) 通过潜在中间态和推理瓶颈注意力掩码建模条件到目标的转换。
StruPO 提出了一种结构感知提示词编辑器,利用校准场景图作为策略条件化和图像监督的共享表示。它在三个独立 2K 提示词测试集和四个冻结生成骨干网络上,显著改善了忠实度与美感的权衡,并提升了关系保真度。 该策略通过平滑奖励塑形处理接地不确定性,并对每个编辑的多个图像求平均以计算组相对优势。 该方法在图校准后通过单次生成可复用优化文本,无需迭代批评-重写循环。
针对数据不足与类别不平衡,该研究提出综合数据生成策略以提升深度学习模型在橄榄树病害分类中的性能。 采用传统增强、CutMix、MixUp及DCGAN生成合成图像,结合EfficientNetV2B0架构,验证了在平衡类别、增加样本及保持平衡扩展数据集三种场景下分类准确率的显著提升。
研究首次定量关联扩散模型分类器训练与引导对齐,指出控制交叉熵足以控制引导误差。 实现条件 KL 散度为 $\varepsilon^2$ 的分类器,其引导向量均方误差为 $\widetilde O(d \varepsilon)$。 该结果提供了对分类器引导成功的理论解释及选择分类器的指导原则。
CleanGS 是一种无需重新训练即可清理 3D 高斯溅射场景中非目标结构的后期处理方法,在 18 个场景中标准 PSNR 达 19.03 dB,优于 FlashSplat 和 GaussianCut。 该方法通过计算候选视图子集的精确 Pareto 前沿并采用加权 Chebyshev 标量化选择平衡子集,利用三视图中二投票机制保留高斯点;处理阶段中位耗时 20 秒、峰值内存 1.9 GB。
生成式锚定场(GAF)通过学习独立的端点预测器 J(噪声)和 K(数据),直接从线性桥接状态识别端点坐标。该模型解耦了特征学习与端点预测,使用共享主干 $\Phi$ 生成时间条件特征库。
InfoDiffusion 算法为扩散模型增加低维隐变量,通过互信息正则化学习目标,捕获数据的高层变化因素。 该方法学习到的表征解耦且可解释,性能与最先进的生成及对比方法具有竞争力,同时保留高质量样本生成能力,可用于操控生成图像属性。
在有限扩散网络中,图像预测(x-prediction)可避免噪声预测带来的噪声传输负担。 在高斯噪声下,若输入瓶颈秩为 r,噪声预测会产生 d-r 的不可消除去噪误差下限,而图像预测风险有界。 该机制解释了不同预测目标、预处理及模型宽度下的实际生成质量差异。
论文提出FlowVQ,通过联合建模与聚类过程解决VQ-VAE中的码本崩溃问题。 该方法利用轻量级流匹配模型学习潜在空间,传输源分布的分位数分区先验码,并在诱导分布下获取Voronoi质心生成码本。 在图像分词与高精度分词任务中,展示了码本全利用率、可扩展性及表达能力提升。
CMM提出累积边缘匹配目标,通过Wasserstein-2距离优化分布对齐。 该方法将流匹配视为中间边缘分布序列,Shortcut-CSL为其一阶近似。在标准基准上,CMM在相同训练预算下优于现有基线。
研究提出基于模型信息量的缩放定律,揭示扩散模型训练中的非线性记忆与线性泛化两个定性不同的 regime。 该定律量化了模型信息随规模和数据量的变化,并能外推至拟合域之外,指导记忆与样本质量优化。 代码已在 GitHub 公开,为扩散模型的信息论特性提供原理性解释。
ChatGPT Images 2.5 发布后 51.1 小时内收集 3,478 张图片,构建发布期数据集用于评估 6 个冻结检测器。 在 5% 标记率下,各检测器标记率为 3.7% 至 56.4%,低于 GenImage 召回率 42-81 个百分点;保留艺术图误报率为 1.5% 至 96.5%。 数据集支持分析产品过渡期的模型使用情况,已公开发布。
SFMI 提出两阶段白盒模型逆向攻击,利用时间依赖的目标梯度在采样中注入信号。 在 CelebA 数据集身份不相交交叉评估中,针对 ArcFace 目标实现 ACC 0.9248、FID 22.61 和 LPIPS 0.3874。