胸部X光片数据集准入中生成图像的证据评估:从增强到合成证据
研究评估胸部X光片数据集中生成图像作为证据的可靠性,指出像素检查无法验证采集声称。 实验显示Qwen选择提升质量通过率,但无图像同时通过质量与来源分类器;SynthCheX图像在JPEG压缩后检测准确率显著下降。 结果支持在医学数据集中分开记录并检查图像来源与用途。
研究评估胸部X光片数据集中生成图像作为证据的可靠性,指出像素检查无法验证采集声称。 实验显示Qwen选择提升质量通过率,但无图像同时通过质量与来源分类器;SynthCheX图像在JPEG压缩后检测准确率显著下降。 结果支持在医学数据集中分开记录并检查图像来源与用途。
提出无需重训练的腹部器官分割框架 ReSeg,在CT、MRI和PET三种模态的七个数据集上超越了现有SOTA方法。 第一阶段训练可泛化语义表示网络(GSRNet),第二阶段训练器官专用编码器-解码器分割网络(OESNet),使用保留空间布局的合成数据。 消除了对真实训练图像的需求,解决了泛化能力不足和隐私风险问题。
该研究提出一种基于 KL 散度的自蒸馏双流 Swin ResNet 混合框架,用于解决香蕉品种分类中的跨等级泛化问题。 在 Leave-One-Grade-Out 评估协议下,该模型在包含 31,678 张图像的三品种、三级质量数据集上取得 81.25% 的平均准确率,优于纯 CNN 和 Transformer 基线。
研究团队提出基于前向后向偏微分方程的生成建模框架 SBNL,通过耦合 PDE 系统扩展经典 Schrödinger 桥问题,并利用分叉扩散算法求解。 该方法具有 embarrassingly parallel 特性,可扩展至高维非线性交互泛函。
研究提出 DualHeads 方法,利用轻量级双分类头在冻结扩散模型上实现少步生成的奖励对齐。该方法无需可微奖励,仅需外部奖励评估与参考样本,通过最大化加权对数几率实现 KL 正则化奖励最大化。 实证显示,DualHeads 在少步生成中接近 40 步强化学习方法的任务奖励,且保持图像质量,无额外推理成本。 该简洁双头架构有望推动少步奖励倾斜生成技术的发展。
FiTv2 将图像概念化为动态大小的 token 序列,支持无限制分辨率和宽高比的图像生成,其收敛速度达到 FiT 的 2 倍。 模型引入 Query-Key 向量归一化、AdaLN-LoRA 模块、整流流调度器和 Logit-Normal 采样器,所有代码和模型已开源。
论文提出 WildMAE,一种结合局部结构感知细化与掩码到可见交叉注意力的掩码自编码器(MAE)解码器扩展,用于野生动物相机陷阱图像重建。 其架构通过零门控卷积残差路径引入二维邻域先验,并配合渐进式训练目标。在 75% 掩码率下,WildMAE 在 Snapshot Serengeti 数据集上 PSNR 达 27.90 dB,SSIM 0.840,LPIPS 0.160,优于标准 MAE。
研究提出扩展残差空间自适应至预训练扩散模型,实现持续概念个性化。 方法在竞争方法中取得最高概念保真度且几乎零遗忘。 通过将自适应限制在特定层,可训练参数减少最多72%。
研究表明,在文生图模型中,人脸吸引力偏好会压倒图像质量,导致吸引力更高的AI生成人脸在Elo排名中超越真实人脸。 在PickScore等5个人类偏好模型中,吸引力是4个模型得分的最强相关性因素;偏好对齐生成会将人脸导向更年轻、更女性化的特征,甚至覆盖提示词中的不吸引力要求。 该发现揭示了当前偏好评估的缺陷,呼吁开发解耦图像质量与人类认知偏差的模型,以提升评估可靠性。
针对低资源历史手写字符识别中增强策略仅依赖预测准确率评估的局限,本文提出 saliency 约束增强方法,引入可解释一致性指数(ECI)量化模型在受控扰动下的 saliency 模式稳定性。
扩散模型中恰当的分布学习需反转底层密度函数的扩散过程,而记忆现象是指逆过程从单个训练样本中学习扩散。 研究提供了记忆逆过程的解析表征,并提出一种检测相关热力学奇点判据,该判据能可靠区分正常学习与记忆网络。 该判据适用于多种旨在促进或缓解记忆现象的神经网络模型。
北京大学团队提出DragMesh,被IJCV接收,针对已有3D资产通过单次拖拽生成可交互关节运动轨迹。 方法包含KPP-Net预测关节参数,DQ-VAE基于Dual Quaternion生成序列,Mesh与3DGS共享运动先验,支持轻量实时渲染。 Lightweight Mesh路径达120 FPS,3DGS路径达85 FPS,避免全物体重新生成,适用于游戏资产与机器人仿真等场景。
作者构建了利用 CLIP ViT-B/32 处理 MVTec AD 制造缺陷图像的离线搜索系统,支持文本或图片查询。 系统生成 512 维向量存入 VectorAI DB 并关联元数据,通过 Docker 本地运行。评估以 Top-5 召回同标签缺陷为基准,建议后续探索缺陷区域定位以提升匹配精度。
NVIDIA 在 GTC Berlin 展示了本地 AI 硬件全线更新,RTX Spark 现已支持运行 Underdog 桌面智能体,实现个人智能体在 Windows PC 端侧运行。同步推出 Recursive Flint 本地编码模型,该 40B 参数 MoE 模型在 Apache 2.0 许可下开放,并优化了 llama.cpp 与 vLLM 推理引擎以加速端侧 Agent 任务。
一款 AI 驱动的电商搜索引擎上线,支持视觉搜索、语义搜索与个性化产品推荐。 据 Forbes 数据,实施视觉搜索技术的品牌数字销售可提升 30%;该插件兼容 Shopify、WooCommerce、Magento 和 PrestaShop,并支持通过 API 集成自定义网站。
Black Forest Labs 发布开放权重的 5.6B 参数图像生成模型 FLUX 3 Image Klein。该模型优化了消费级 GPU 适配,其 INT8 版本仅需 8GB 显存即可运行。实测显示,在 RTX 5090 上生成 1MP 图像约需 4 秒,支持 4K 分辨率、文本转图像及像素级精确编辑。
同一新闻,精选展示《Black Forest Labs 发布 FLUX 3 Image Klein,5.6B 参数模型支持 4K 原生输出》
Generative AI 正在通过超现实、拼贴和作者之死这三种后现代文化逻辑,大规模工业化生产文化制品,从而无限延伸后现代主义。 这一过程使 AI 成为后现代主义的“文化主导者”,并催生出一个被称为“晚期后现代主义”的独立文化阶段。
AI Effect Studio 上线,支持用户上传 1 或 2 张照片生成 9 种网红视频,无需编写提示词,3-10 分钟出片。 视频基于真实病毒视频模板,480p/720p 分辨率,15 秒视频消耗 100 credits,$9.99 起步。 照片 7 天后删除,视频 30 天后删除;平台要求用户标注 AI 生成内容。
Grafista 是一款无需高级提示词或设计技能即可制作专业设计的 AI 工具。 支持任意语言的全可编辑设计,月费从 €10 起,无按席位收费;初创企业前三个月享 5 折。
研究团队提出 UMM-Reflection,利用强化学习在统一多模态模型内联合学习反思文本与图像修正,克服了监督微调难以发现高成功率修复路径的局限。 该方法在 BAGEL 模型上使 GenEval 提升 12.05 分,且增益迁移至 WISE 等未参与训练的基准,无需外部验证器即可跨轮次分配信用。
论文提出 Diffusion-Adaptive Routing (DAR) 替代传统残差连接,解决 DiT 跨层信息流动问题。 在 ImageNet 上,DAR 使 SiT-XL/2 的 FID 提升至 7.56,并以 8.75 倍更少的训练迭代达到基线质量。 该模块兼容 REPA 等增强方法,在蒸馏阶段保持高频细节,代码已开源。 ```
PALATE 框架通过全期望定律解决 FLD 计算瓶颈,结合 MMD 基线指标与 DINOv3 特征提取器,提供可扩展的深度生成模型评估。 该框架在保持或超越最先进方法性能的同时,显著提升计算效率,并有效检测样本记忆化及评估泛化能力。 源代码作为补充材料公开。
新基准 ABACUS 采用无裁判协议与全景真值验证,评估图像编辑模型在添加、移除及更换对象时的数值准确性。 该基准揭示了随着场景复杂度与对象数量增加,当前领先编辑模型在维持场景守恒下的计数错误显著加剧。
MoDDiT 通过独立路由 MLP 和 self-attention 操作,在 Diffusion Transformers 中实现动态计算分配。 模型从零开始训练时,MoDDiT 可仅处理 12.5% 的 tokens,从而显著降低计算成本。其分配过程具有可解释性,并能用于训练视频生成模型及蒸馏稠密双向模型。
审计显示 CUB-200-2011 基准中 Concept Bottleneck Models (CBMs) 的准确性主要源于内部嵌入而非概念分数,概念评分无法重构类别信息。
World2HOSI 提出一种多专家编排框架,利用 3D Gaussian Splatting 场景和自然语言指令生成连续的人-物-场景交互数据。 该框架通过编排现有专家模型,结合有界残差优化和接触驱动物理模拟,实现了超越单一模型能力的任务完成率与交互质量。
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。
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。
HealBench 是一项包含 30,000 个图像-文本对的细粒度基准,涵盖 19 个类别。 评测揭示高语义对齐与美学并不保证心理舒适度,存在视觉质量与感知舒适度的差距。 Reinforcement learning 实验表明 HealScorer 可作为奖励信号以改进生成图像的情感与恢复性质量。
提出嵌入空间遗传算法 EmbGA,用于恢复文生图模型中提示词未提及的隐藏概念。 在两个基准测试中,EmbGA 实现了最高对齐度,能恢复更多基于自然图像的接地 token,且速度远快于语言模型引导搜索。
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。
A2O LITE NEON AI 舞蹈生成器允许用户上传两张照片生成 15 秒同步双人 K-pop 舞蹈视频。支持 480p 与 720p,单次支付 $9.99 起,无订阅。
Adobe 正在重新设计 Photoshop 的滤镜工作方式,将其从直接应用像素的机制改为可随时移动、调节和撤回的独立效果层。 新机制允许用户在图层面板中将滤镜拖至指定图层,参数调整转移至属性面板并实时预览,支持直接修改、隐藏或删除滤镜而不破坏原始照片。 用户还可利用 Photoshop AI Assistant 创建附带可调节滑块的自定义滤镜,相关更新预计将在今年晚些时候开始推送。
Zalando、H&M 和 About You 在 AI 时尚图像应用上路径各异,其中 About You 约 90% 的电商制作已采用 Scayle Studios 的 AI 工作流,直接冲击高产量商品摄影。
作者基于 Python 实验总结了 AI 图像生成系统的工程化实践。指南涵盖扩散与多模态模型的成本差异、像素 art 的混合渲染方法,以及如何通过 CLI 或 MCP 将图像生成接入 Claude 等 Agent,强调了将创造性工作交给模型、结构性工作交给代码的核心原则。
Adobe 宣布其 Lightroom 移动端(支持 iOS、iPadOS 和 Android)新增 AI 睁眼功能,用户可通过单击图标自动修复闭眼照片。该功能利用生成式 AI 并结合用户图库中同一个人的照片作为参考,确保生成的睁眼状态在光线、姿势、颜色及尺寸上与原有特征相匹配。免费版用户每月可体验两次该功能,超出次数则需订阅 Adobe Creative Cloud 计划。
JustEat 因在爱尔兰外卖菜单上线错误 AI 生成图片公开道歉,并暂停该功能推广。 错误示例包括将裹面糊汉堡显示为牛肉汉堡,以及将炸鱼虾显示为寿司。 公司称已移除不准确图片,但计划继续开发该工具;所有 AI 图片均经人工检查,餐厅可选择不参与试用并上传自拍照。
阿里云百炼发布 One Key MCP 服务,将联网搜索、图像生成、视频生成、语音识别、语音合成及网页解析六项能力收进同一平台,使用一个 API Key 即可统一调用。
AI生成的年轻Val Kilmer形象经其遗产授权,将在《Western As Deep as the Grave》中出演;AI“演员”Tilly Norwood将主演电影《Misaligned》。 Framestore首席创意官认为,完全合成的演员无法捕捉内心情感,因为模型是“基于事物表面”训练的。
微软将 Windows 11 原“照片”应用拆分为“照片查看器”与基于 OneDrive Photos 的新版“照片”,结合文件资源管理器图库提供三种看图方式。