跳到正文
10月21日周三
  1. arXiv · AI30

    CityPaint:利用 2D 扩散模型生成城市级 3D 纹理

    框架 CityPaint 利用 2D 扩散模型生成全局一致的城市级 3D 纹理,无需依赖城市级 3D 训练数据。 该框架集成几何先验与 top-K 相机烘焙策略,并提出解耦细化机制分别优化地形和建筑纹理。 实验显示其生成纹理具备局部细节,在视觉质量和跨视图一致性上表现优于强基线。

  2. arXiv · AI34

    Less-is-More CIR 提出简洁检索与批评家重排序框架

    Less-is-More CIR 提出一个免训练的两阶段框架,结合简洁检索与批评家重排序,以提升零样本组合图像检索效果。 该框架首先生成仅保留判别性修改语义的简洁目标描述以减少噪声,第二阶段则通过修改一致性与参考保留度评估重排序候选结果。实验表明该框架具有有效性与鲁棒性,相关代码已公开。

  3. arXiv · AI43

    Dancing Diffusion:学习连续程序用于图像生成与编辑

    提出扩散模型新框架 Dancing Diffusion,通过为时间步分配专属条件块将条件生成转化为潜在程序。 该系统支持前缀复用与后续操作重写,在 SANA 上实验表明其背景保留优于原生提示切换,且生成质量优于原生 SANA。 该方法为扩散模型的结构化中间计算奠定基础,但后续分支会削弱编辑强度。

10月20日周二
  1. arXiv · AI36

    SpinDoctor:发现偏向图像生成的无害提示词

    研究人员提出 SpinDoctor 方法,通过黑盒方式发现看似无偏的提示词,诱导文本到图像模型生成带有目标偏见的图像。 该方法在 304 次实验中成功引导 302 次生成偏向图像,两个开源模型的平均偏见改善分别为 34.8% 和 33.5%。 该提示词在不同模型间具有可迁移性,78.6% 的情况下在另一模型中仍能引发相同偏见,对用户构成潜在操纵风险。

  2. arXiv · AI33

    超越显式意图:通过人机共创发现与塑造艺术意图

    论文提出一种超越显式意图表达的人机共创范式,旨在解决艺术意图模糊或潜在的问题。通过扩展模型探索,让艺术家观察、比较并选择视觉可能性,从而识别未言明的偏好。 该方法将艺术家的策展判断整合进强化学习,依据对生成轨迹的偏好分配不同学习强度,使模型逐步适应个人美学,形成“探索-识别-塑造-再探索”的循环。

  3. arXiv · ML33

    WILSON:基于多放大倍率复合病理分析的多模态视觉语言基础模型

    WILSON 模型在无需任务特定训练的情况下,病例级宏F1分达到 0.52,超越了专用模型的 0.38,且计算量减少 400-1350 倍。 该视觉语言模型基于约 189,000 张切片和 838 种诊断实体训练,在图像-文本检索中召回率@1 达 75.6%,显著优于 PRISM。 紧凑的多尺度表征支持了高效且具备临床基础的病理分析。

  4. arXiv · ML21

    基于MRI抑郁分类的不确定性门控SHAP-Dirichlet后处理优化方法

    研究者提出不确定性门控SHAP-Dirichlet优化方法,无需重训练即可提升结构MRI抑郁分类可靠性。 在504名受试者数据集上,该方法使TabM和ResNet分类器平均准确率分别提升1.04和0.45个百分点,且最多仅修正8.3%的预测。 通过保留75%的准确预测并转交50%低置信度案例给专家复核,验证了该方法在提升预测可靠性与促进专家分诊方面的实用价值。

  5. arXiv · ML38

    KDiv:面向可分解图像生成模型预训练的条件感知新范式

    KDiv通过因式分解权重并引入条件感知路由,解决了预训练中知识纠缠的问题,显著提升了下游任务适配效率。 该方法将随机初始化的权重分解为秩一“知识单元”,并在预训练期间将共享知识固定于“基因”、条件差异分配至“尾部”。 实验表明,KDiv在类条件、文本及图像生成任务中,性能匹敌或超越密集基线,且训练参数预算远低于低秩适配方法。

10月19日周一
  1. arXiv · ML34

    CoatFusion: 基于扩散模型的可控图像材质涂层生成

    CoatFusion 架构通过条件化扩散模型,结合 2D 反照率纹理和 PBR 参数实现可控材质涂层生成,其使用的 DataCoat110K 数据集包含 110K 张合成图像。 该模型在粗糙度、金属度、透明度和厚度参数下,生成效果优于现有材质迁移方法,并获用户研究认可。 相关研究已被 ACM Transactions on Graphics (SIGGRAPH Asia 2026) 接收。

  2. arXiv · ML24

    POBF 框架通过合成与筛选训练数据提升视觉定位性能

    在数据稀缺场景下,视觉定位框架 POBF 通过“框外修补”合成图像,并结合难度与过拟合分数筛选最优训练数据。 实验显示,POBF 相比仅使用真实数据的方法平均性能提升 5.83%,准确率领先主流基线 2.29%-3.85%。 该方法验证了在不同生成模型、数据规模及架构下的鲁棒性与泛化能力。

10月16日周五
  1. arXiv · AI28

    InverFill 提出单步反转技术优化少步扩散图像修补

    InverFill 提出一种针对图像修补的单步反转方法,通过将输入掩码图像的语义信息注入初始噪声,实现高保真的少步图像修补。 该方法无需训练专用的修补模型,直接利用少步文生图模型配合语义对齐噪声进行混合采样。 InverFill 在低函数评估次数下匹敌专用修补模型,且无需真实图像监督,仅增加极低的推理开销。

  2. arXiv · ML27

    ManiFusion:通过流形空间中的叠加实现扩散模型的高通量图像生成

    ManiFusion 提出了一种骨干网络无关的框架,通过融合空间计算并行处理多样本扩散生成,以显著提升吞吐量。 该框架结合去噪骨干前后的融合与解耦,并引入轨迹融合调度(TFS)动态调整融合因子,兼容 U-Net 和 Transformer 架构。 ManiFusion 可与现有加速方法组合,在最小化质量下降的同时,达到先前方法无法实现的高吞吐性能。

  3. arXiv · ML22

    VetoNet:一种用于选择性生成增强的可审计风险控制框架

    VetoNet 提出了一种基于认证否决机制的可审计区域路由框架,用于在低光照图像增强中决定何时使用生成式覆盖。该框架通过测量互补优势,仅当分布无关风险预算证明感知风险(LPIPS)允许时才允许切换。实验显示,VetoNet 能根据证据可靠性自适应调整行为,在证据充分时获得认证增益,在证据薄弱或存在跨域偏移时保守否决。