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。
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。
研究提出SALD采样器及变体VA-SALD,用于追踪移动目标分布并实现无训练引导生成。VA-SALD利用预训练score模型,通过时间减速修正引导偏差,并提供非渐近收敛保证。该框架为扩散模型等生成家族提供了有原则的无训练方法,代码已开源。
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。
提出FDDA方法,冻结潜在生成器并直接优化解码器以解决训练-生成分布不匹配问题。 在11个评估模型中,FDDA使gFDr$^6$额外降低10.2%-57.2%,总耗时较生成器侧FD后训练缩短3.6倍至328.7倍。
SSM-Attack 提出基于 Selective State Space Models 的黑盒人脸隐私保护框架,在 CelebA-HQ、LADN 和 FFHQ 上的平均攻击成功率分别达 87.10%、86.90% 和 81.15%。 该框架使用 5.73M 参数的分配网络,在 0.10 像素变化限制下,较均匀映射提升 SSIM 0.044、PSNR 1.62 dB 和 FID 11.2 点。
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%。
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。
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。
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。
RewardHarness 提出免训练、自进化的智能体奖励框架,仅用100条偏好演示和0.05%的 EditReward 数据,在 EditReward-Bench 和 GenAI-Bench 上平均准确率47.4%,超 GPT-5 5.3分。 作为奖励信号用于 FlowGRPO 时,RL微调模型在 ImgEdit-Bench 得分3.52;工具与代码已开源。
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。
9B 参数统一模型 InfoVis 发布,支持幻灯片生成与编辑,配套 13M 预训练及 1.9M 微调数据引擎。 模型基于 FLUX.2-klein-base-9B 后训练,在 1527 实例的 VisSlideBench 上总分 7.94,超越所有开源模型。 开源模型、代码、数据及基准,但在美学质量上仍落后于 Nano-Banana-2。
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%。
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。
GenRevisit 框架通过联合选择续接图像与编辑动作,解决迭代编辑中图像退化问题。 使用 SFT 结合 agentic 强化学习训练,并提出 NACA 优化信用分配。 在 GenEval2 上,基于 Qwen-Image-2512 和 Z-Image-Turbo 的 GM 分数分别达 84.3 和 74.4,超过最强基线。
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。
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。
HGA-Quant 提出无训练的 PTQ 框架,在 Infinity 模型上以 W4A5.6 混合精度实现接近全精度生成质量,而现有 W4A6 方法仍可见画质退化。 框架包含 T-BGR 权重校准目标与 CAPS 激活精度调度,在多个 ARVG backbone 上提升低比特量化鲁棒性,代码已开放。
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。
CAPTOR 在胸腹盆部肿瘤 CT 分类与检索任务中表现优于现有基线模型,其中 CAP 子集疾病检测 AUC 达 0.767,显著高于次优的 0.695(p<0.001)。
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。
研究人员提出一种基于耦合高斯混合分布的流匹配方法,将高斯源替换为拟合的混合分布,通过熵最优传输耦合数据点与混合分量。 该方法推导出标准高斯源问题的引导式修正项,并复用预训练速度场。仅需一个小型修正网络学习剩余项,在CIFAR-10和CelebA-HQ上提升FID,CelebA-HQ减半步数达到基线质量。
引入重要性加权条件流匹配(IW-CFM),通过冻结模型的密度比重加权,使梯度与流匹配对齐ω次方目标。 在 ImageNet 上,轻量级校正器比固定或匹配引导的 CFG 实现更好对齐,并展示了幂密度排序分析。
论文提出一种利用任意可微分割模型的 GAN 架构,用于实现带精确色彩控制的真实图像色彩编辑。 该方法克服了传统方法难兼顾真实感与自动化、GAN 难精确控制的挑战,在多个用例上达到 SOTA 效果,已发表于 ICIAP 2023。
论文提出视觉编码模型 RUNG,将图像描述与生成视为变码率逐次精化过程。通过语言优先排序,前缀-文本信息量提升 2.9 倍,GenEval 基准从 0.76 提升至 0.83。RUNG-XL (3.4B) 模型在 32 次网络评估下实现 0.88 GenEval 和 87.6 DPG-Bench,支持无逆算图像编辑。
提出质量-多样性扩散框架及谱突变算子,在文生图任务中对比 12 个基线,该方法持续取得最低 FID 分数。 该框架通过优化潜噪声与条件嵌入来量化多样性,并利用模型输入-激活 Jacobian 的主奇异向量引导搜索方向,以最大化语义敏感性。 该工作展示了扩散模型在发现多样化高性能输出方面的潜力,实现了图像质量与多样性的优秀平衡。
提出CS-VGB推断时缩放方法,通过反复去噪与再噪化从连续生成模型的奖励倾斜分布中采样。 该方法即使中间验证器存在误差,其稳定分布也精确等于目标,且预期更新次数随检查点线性增长。 在ImageNet和CelebA生成及多机器人规划任务中,CS-VGB在增加计算预算时持续提升了奖励和任务成功率。
DressAgent 是一种分层智能体系统,通过物理仿真闭环优化,从单张图像重建可仿真的多层 3D 服装。 该系统构建了首个包含超 15K 套服装的多层裁剪图数据集,并采用粗到细策略,由 Tailor、Critic 和 Orchestrator 协同完成精细化迭代。 DressAgent 在性能上大幅超越前馈方法,耗时仅为微分优化的一小部分,并能泛化至复杂层叠与不同体型。
提出质心锚定搜索(Barycentric Anchored Search)后处理权重空间方法,无需梯度训练或增加推理成本即可提升微调视觉模型在分布偏移下的表现。
提出一种无训练扩散模型采样方法,利用条件嵌入到图像空间的局部拉回几何识别最大输出敏感度方向,沿此方向引导采样轨迹以增加多样性。 该方法在保持提示词对齐的同时显著提升了生成图像的视觉差异,避免了强扰动导致的图像质量退化或失真。 在 MS-COCO 和 BrushNet 数据集上的实验表明,该方法有效提高了提示词条件图像生成及修复任务中的样本多样性。
扩散模型纠错训练方法旨在解决推理时预测输入与训练分布不一致导致的误差累积问题。 该方法通过额外引入纠错器来训练和迭代提升去噪器在中间步的预测,显著改善了无引导生成的FID分数。 结合CFG能进一步提升多样性并减少过度饱和,训练后的纠错结果可蒸馏回基础模型以抵消额外的推理成本。
Epic Games 计划使用 AI 生成一款未宣布的 Disney 射击游戏的代码和美术资产,该项目已从原定的三月份发布窗口延期。Bloomberg 报道称,该项目开发者接到了 AI 优先的指令,要求更多地使用 Anthropic 的 Claude 等工具完成游戏,其中一位游戏总监在发给员工的消息中表示:不再手写代码。
《燕云十六声》官方宣布,游戏预计11月正式支持英伟达 DLSS 5 并开放抢先体验,届时将成国内首批、目前网易唯一支持 DLSS 5 的游戏。 该版本历经多轮深度定制打磨调优,在效果与性能上更出色。
ProductAI 审查 495 张生成图,35% 的错误由标签文字变更引起。111 张被标记图中,文字错误占 39 张,主要包含数字静默改变和拼写错误。GPT Image 2 标记率为 11%,低于其他模型。
Meshy 官方教程说明使用 Meshy Edit 模型通过自然语言局部修改 AI 生成的 3D 模型。用户选中区域并描述目标变化后,模型支持对指定部件执行添加、移除或替换,可用于修正生成错误或快速制作模型变体,避免局部修改时破坏整体结构。
文章提出一种 AI 图像编辑技巧,针对重复编辑导致无关区域出现噪点或大图降质的问题,通过让模型生成局部变化 mask,再将原图与修改后图像按 mask 合成,实现无损的局部编辑。 该方法支持任意尺寸图像的局部修改,避免整图分辨率下降或整体色调偏移;局限在于无法处理全图色彩改变或风格迁移等大范围操作。
BudgetPix Compute-Adaptive Tokenization for Pixel-Space Image Diffusion paper: https://huggingface.co/papers/2610.12307
Kapwing 发布了 AI 提示词光影控制指南,提供方向、光源和时间三种交互式参考以及可直接复制的提示词。文章指出光照是影响 AI 生成镜头氛围的关键因素,许多提示词目前仍依赖随机性,而该工具旨在帮助用户理解并掌控这些关键变量。
Claude Opus 5.5 开发了一款名为“Picks and Shovels”的 3D 浏览器游戏,该游戏由 AI 生成,内容讽刺 AI 行业。 游戏包含自动驾驶车辆、实验室逃脱、RSI 及模型能力追踪等元素,部署于 GitHub Pages。 玩家需阻止文明毁灭,避免 p(doom) 达到 100%。
工具 Lintapple 可检查 AI 生成界面,需 Node.js 22。 运行 npm install -D lintapple 后执行 npm run lint:ui,检查项包含字体、对比度和控制大小。 支持 Playwright 集成,使用 data-ui-stack 等属性标记布局元素。