跳到正文
11月2日周一
  1. arXiv · AI31

    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。

10月30日周五
  1. arXiv · ML36

    RAID:用于测试 AI 生成图像检测器对抗鲁棒性的数据集

    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。

  2. arXiv · ML40

    sDMD: Sinkhorn 分布匹配蒸馏

    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。

  3. arXiv · ML20

    ROAD:面向大规模单步蒸馏的现代对抗性训练框架

    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。

  4. arXiv · ML35

    预训练自回归图像模型任意顺序生成解锁

    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。

  5. arXiv · ML28

    广义 Feynman-Kac 修正器实现扩散模型组合与引导

    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。

  6. arXiv · AI22

    SpecSlot:像素空间生成 Transformer 的角色耦合分词方法

    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%。

  7. arXiv · AI25

    DeCoRL:通过分解一致性强化学习提升多图合成效果

    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。

  8. arXiv · AI24

    当人们喜爱AI生成艺术时,往往误判其为人类创作

    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。

  9. arXiv · AI34

    FVH-Bench: 评估图像生成器超越显性有害内容的功能性视觉危害安全

    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。

10月28日周三
  1. arXiv · ML25

    c-Rectified flow 的计算与统计保证

    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。

  2. arXiv · ML26

    PREEN:基于示例的智能编辑预设颜色风格迁移

    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。

  3. arXiv · ML30

    图像扩散模型 LoRA 适配的溯源签名方法

    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。

  4. arXiv · AI27

    基于轻量级注意力 CNN 与显著性图可解释性的皮肤癌检测模型

    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。

  5. arXiv · AI38

    ReSeed:通过在扩散模型蒸馏的首步引入偏差恢复多样性

    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。

  6. arXiv · AI26

    密集表示学习与可微分形状建模用于脊柱地标检测

    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。

  7. arXiv · AI38

    StruPO:基于结构反馈的忠实文生图提示词编辑策略

    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。

  8. arXiv · AI28

    橄榄树病害分类中通过数据生成策略增强深度学习模型性能

    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。

  9. arXiv · ML23

    CleanGS: Pareto-Guided Post-Hoc Cleanup of 3D Gaussian Splatting Scenes

    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。

  10. arXiv · ML28

    FlowVQ:通过分位数传输解决向量量化码本崩溃问题的可扩展方法

    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。

  11. arXiv · ML20

    扩散模型生成训练的信息论缩放定律

    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。