跳到正文
10月16日周五
  1. arXiv · AI20

    视觉生成能否扩展统一多模态模型的知识

    提出知识转移探测(KTP)协议,在7类知识、3个UMMs上验证图像生成监督对文本问答的可迁移性,显示直接但分布不均的转移。 引入文本对齐与图文交错对齐,使生成与问答共享知识;在选中实体上指导可提升其他实体知识获取,无需额外问答监督。 结果支持视觉生成作为超越文本监督的知识来源,指向联合优化训练数据设计与模型架构以提升知识可访问性。

  2. arXiv · ML43

    Purify Before You Align:通过局部外观净化改进扩散模型表征对齐

    研究人员提出局部外观净化(LAP)方法,通过移除可局部预测的内容并对齐残差,提升扩散模型生成质量。 LAP 仅修改对齐目标,无需更改扩散训练或推理流程。在 ImageNet-256 上,LAP 使 MAE 的 FID 从 53.1 降至 42.3,该增益在 13 个编码器中通过常量读出测试得到验证(Spearman ρ=0.94)。

  3. arXiv · AI30

    DMAD: 作为对抗蒸馏的分布匹配加速视觉生成

    DMAD 将分布匹配重构为对抗分类,利用共享骨干网络的双判别器直接学习对数密度比,避免了辅助扩散模型拟合的额外内存与计算开销。该方法在 ImageNet-64x64 上以单步生成达到 FID 1.04,在 COCO-10K 上四步 SDXL 生成 FID 为 14.47。在 MiniMax-H3-33B 模型上,其四步学生模型在音视频联合生成的人均偏好率上超越 DMD2 和 rCM。

  4. arXiv · AI30

    MultiStroke 操作符能否通过改变“笔触大小”简化扩散模型的回归学习

    研究提出 MultiStroke 操作符,通过线性插值实现从粗到细的笔触变化,旨在简化扩散模型中预测目标。 在 DDPM 和流匹配模型中应用该操作符,FID 指标最多降低 70.2%。 该方法特别优化了去噪链中具有高噪声时间步的优化与预测挑战,潜在降低了实际应用的计算成本。

10月15日周四
  1. Hugging Face Blog87

    FLUX.3 Image Klein 在 Hugging Face Diffusers 中首发并支持布局控制

    Hugging Face 官方宣布 FLUX.3 Image Klein 已集成到 Diffusers,该模型支持文生图、多参考图生图以及基于 bounding box 的图像布局控制。H100 上蒸馏版 checkpoint 可在约 2 秒内生成 1024 × 1024 图像,并支持 NVFP4 和 FP8 量化权重。

    推荐理由:介绍 FLUX.3 Image Klein 在 Diffusers 的集成细节,重点展示了 bounding-box 布局控制功能及多种量化推理方案。

  2. arXiv · ML35

    编码智能体在视觉生成中的能力边界探索

    研究在 AgentDrawBench 200 条提示词的零样本绘图测试中发现,编码智能体擅长保持结构并满足精确视觉约束,但在感知丰富度上存在局限。 其视觉表现力随绘图界面变化,且重构的视觉代码在视觉问答任务中有时比原始图像支持更高的准确性。 结果证实编码智能体在生成开始前即能在内部维持一致且连贯的世界模型。

  3. arXiv · ML43

    Priming Models 提出两步法简化单步生成模型训练

    Priming Models 提出简单两阶段框架,通过像素去噪预训练后接特征分布微调,彻底解决单步生成的分布训练难题。 在 ImageNet 256×256 分辨率下,该方法以约十分之一训练算力实现 1.19 的 SOTA FID,显著优化算力与生成质量帕累托前沿。 代码库已开源,适用于类条件图像生成、文生图及世界模型等任务。

  4. arXiv · ML28

    有限时生成中的图能量学习

    该研究提出有限时能量学习,使Metropolis-Hastings采样器在固定步数后的分布更准确。 在图上生成任务中,基于预训练模型的初始化与提议,训练得到的能量函数在12个成对二值目标上表现更优。 在MOSES基准上,与预训练GEM组合的学习能量将FCD降低3.7%–10.5%。

  5. arXiv · ML25

    通过正未标记学习实现扩散模型渐近精确的负向引导

    该扩散模型负向引导方法通过正未标记学习采样自显式目标密度,解决现有方法无法通过增加计算系统降低偏差的问题。 方法在扩散时间步估计样本属于不期望条件的概率,利用条件样本和扩散粒子进行轻量级在线训练,并通过序贯蒙特卡洛校正残余失配,在粒子极限下实现渐近精确。

10月14日周三
  1. arXiv · ML28

    PGID:用于鲁棒水印检测的渐进式引导反演与去噪

    针对扩散模型语义水印易受篡改和伪造攻击的问题,研究者提出免训练的即插即用噪声提取框架 PGID。 PGID 通过渐进式反演-去噪循环消除潜在空间偏移,将受扰动的潜变量投影回其原本所属的区域。 该方法在多种方案中成功恢复了被移除的水印并识别了伪造实例,重建了检测可靠性。

  2. arXiv · AI37

    WeLike2Party: 基于上下文的多人图像动画运动迁移框架

    WeLike2Party 提出多人动画框架,无需提取显式姿态或网格,直接通过视频上下文条件生成动画,解决了交互主体间的身份-运动绑定难题。 引入参考非对称 RoPE 条件化和身份绑定监督,构建了包含 14.4K 视频对的 MotionTwin 数据集及专属评测基准。 在主体级视觉保真度和感知质量上,WeLike2Party 优于近期 SOTA 方法,特别是在存在严重遮挡的多人交互场景中表现更佳。

  3. arXiv · AI31

    IMAGAgent:基于约束感知规划与反思的多轮图像编辑智能体框架

    IMAGAgent 提出了一种“规划-执行-反思”闭环的多轮图像编辑智能体框架,旨在解决现有方法在交互中易出现错误累积和语义漂移的问题。 该框架包含约束感知规划模块、工具链编排模块及多专家协同反思机制,利用视觉语言模型(VLM)和大语言模型(LLM)实现指令分解与自适应修正。

  4. arXiv · AI27

    在差分隐私医学影像分析中,预训练领域比训练目标更主导隐私-效用权衡

    研究表明,在59万份胸部X光片上训练时,胸部X光片监督预训练的效用优于其他起始点。 在严格隐私预算下,该方法的AUC比自然图像预训练高15.3%,且在最差的亚组中仍保持领先。 该发现说明,选择与目标任务一致的预训练领域比调整训练目标对隐私-效用权衡影响更大。

  5. arXiv · AI35

    UnSAMv2 实现任意粒度自监督分割

    UnSAMv2 通过自监督学习增强 SAM-2,实现无需人工标注的任意粒度分割。仅用 6K 无标注图像及 0.02% 额外参数,在 11+ 基准测试中显著提升 NoC90、1-IoU 和 AR1000 指标。 代码、数据集及 Demo 已公开,语言引导管线将 1-IoU 从 40.4 提升至 47.3,验证了小样本无标注数据的有效性。

  6. arXiv · AI33

    Vibe 设计智能体如何通过显式设计探索增强创意生成

    提出一种使设计探索成为实施前显式阶段的推理架构,将主题采样的选择覆盖率从1个选项提升至近3个。 该架构利用Verbalized Sampling生成带典型性权重的设计规范,并通过外部策略采样方向,在不改变代码生成温度的情况下控制美学探索。 在168个基准提示中,视觉资产生成的LLM裁判胜率/败率比为1.32;近两月的在线研究覆盖339万任务和87416个标注对话,验证了该架构对用户交互的影响。

  7. arXiv · ML48

    Barycentric Guidance:将基础图像编辑器转化为连续情感控制器

    Barycentric Guidance 提出了一种免训练框架,无需微调即可将预训练基础图像编辑器转化为在 valence-arousal (VA) 空间上的连续情感控制器。 该方法将目标 VA 点映射为基于单纯形的引导权重。在三个面部数据集上,相比最强基线,VA 目标准确率提升 25-29%,VA 平面覆盖率扩展 28-50%,表情多样性增加 29-49%。

  8. arXiv · ML22

    JtT:从图像重构点轨迹扩散以生成多样且刚性的运动

    JtT 模型通过直接操作坐标空间且无需刚性架构约束,解决了单图像预测物体刚性运动的问题。 该扩散 Transformer 采用逐帧速度扩散参数化,结合查询点全分辨率 RGB,约 50M 参数即可接近真值刚性指标。 模型揭示了规模扩大反而导致多样性下降的现象,并采用严格的检查点平均评估协议。

  9. arXiv · AI22

    H-DDCM:基于 Hadamard 码本的快速生成式图像和视频压缩

    H-DDCM 提出一种可扩展的生成式压缩框架,用隐式随机 Hadamard 字典替代高斯码本,解决 Turbo-DDCM 在高分辨率下的计算与内存瓶颈。 该技术利用快速 Walsh-Hadamard 变换实现 $O(d \log d)$ 计算量与 $O(d)$ 内存,并引入无表格字典编码以支持大维度组合编码,无需重新训练扩散或流模型。

  10. arXiv · AI28

    APT:面向文本到图像生成的反馈驱动智能体后训练

    作者提出 APT 框架,通过三个智能体协作,根据模型能力演变自适应生成后训练数据。 该框架协调构建评估集、诊断模型缺陷并生成强调弱项的强化学习提示,形成递归自我改进反馈环。 在多种基础模型、基准及架构上的实验证明,APT 具备模型、基准和架构无关性,且全流程自动化。

  11. arXiv · NLP25

    AEIOU 统一防御框架对抗文本生成图像模型中的 NSFW 提示词

    提出 AEIOU 统一防御框架,利用文本编码器隐藏状态特征检测 NSFW 提示词,在各类数据集上准确率超过 95%。 该框架推理时间极少,效率提升至少 10 倍,支持实时结果解释及通过数据增强进行优化,能兼容多种 T2I 架构。 AEIOU 在对抗自适应攻击方面表现有效,并在少样本和多标签场景下显著优于现有商用及开源审核工具。

  12. arXiv · ML38

    BigCell: 生成吉像素全切片病理图像

    BigCell 是首个生成原生吉像素分辨率全切片病理图像的方法,在 120,000 张公开数据集上训练,支持生成 32,768$\times$32,768 像素图像。 采用推理时滑动窗口流水线与自适应调度策略,将图像生成速度提升 3 倍以上,并提出 8k 分辨率的文本到图像合成模型。 使用合成样本增强数据,使幻灯片级少样本分类性能较基线提升最高达 18%。

  13. arXiv · ML28

    Pristine Models:通过预训练知识隔离实现安全的文生图生成

    Pristine Models 提出一种新颖的文生图生成架构,通过注意力机制在预训练阶段将安全与不安全概念知识隔离至独立参数分支,并在推理时移除不安全分支。 该模型在 ImageNet 和 CC12M 数据集上验证有效,图像质量和文本对齐度均优于仅使用安全数据训练或事后概念移除的方法,在保留全数据预训练效用的同时显著提升生成安全性。

  14. arXiv · AI40

    Unravel 无需训练地从单张图像恢复交互式 3D 场景

    Unravel 提出了一种无需训练的框架,可将单张图像转化为交互式 3D 场景,其中所有物体均为独立可移动资产。 该框架采用代理式架构逐层剥离图像,利用视觉语言模型规划可见物体,并通过物理沉降消除悬空与穿透现象。 实验表明,该方法比现有技术能恢复更多物体,并更忠实地放置物体,生成物理上更合理的 3D 场景。

  15. arXiv · ML29

    BridgeTwist:免训练条件采样器扭曲 Schrödinger 桥

    论文提出 BridgeTwist,一种用于预训练 Schrödinger 桥模型的免训练条件采样器。 其核心机制是通过结合速度和 score 场构建末端预测器作为闭环替代目标,并采用时间相关指数调节扭曲项。 实证显示 BridgeTwist 在类条件和文本提示图像生成中优于免训练基线,在修复和超分辨率任务上与专用求解器性能相当。

  16. arXiv · AI35

    SpatialCritic:面向图像生成的智能体奖励模型

    针对空间文本到图像生成的强化学习,研究提出课程引导框架及智能体奖励模型 SpatialCritic。该模型结合空间感知工具,通过能力图组织基础能力以指导 rollout 过程。 SpatialCritic 使用 8B 骨干网络,实现 95.1% 验证准确率,性能超越 320B 的 GLM-5.3-Flash,并将 SD3.5-Medium 平均分从 78.4 提升至 83.9。

  17. arXiv · AI38

    AesCode 通过解耦跨模态奖励生成具备美学感知力的视觉代码

    AesCode 是一种基于设计图的代码生成模型,利用解耦的跨模态奖励优化视觉美学与布局。 该模型通过确定性验证器解析可解析属性,并结合 VLM 评委与样本专属的视觉图量规(VGR)评估不可解析属性。 相比 Qwen3-VL 基线,AesCode-8B 和 32B 的视觉质量分别提升 31.1 和 22.4 个百分点,达到与 GPT-5.5 等闭源前沿模型相当的水平。