规避图像扩散模型记忆:基于可达性约束强化学习的 RADS 框架
研究提出 RADS 框架,通过采样时控制缓解文生图扩散模型的记忆现象,保持生成保真度。 该框架将去噪视为动力系统,利用策略条件可达性值函数估计记忆风险,通过约束强化学习在嵌入空间扰动轨迹。 实验表明 RADS 在多样性(SSCD)、质量(FID)和对齐(CLIP)上达到优于最先进推理时基线的帕累托前沿。
研究提出 RADS 框架,通过采样时控制缓解文生图扩散模型的记忆现象,保持生成保真度。 该框架将去噪视为动力系统,利用策略条件可达性值函数估计记忆风险,通过约束强化学习在嵌入空间扰动轨迹。 实验表明 RADS 在多样性(SSCD)、质量(FID)和对齐(CLIP)上达到优于最先进推理时基线的帕累托前沿。
扩散模型内部表征作为辅助学习信号,能持续提升对抗训练(AT)的鲁棒性。 实验表明,扩散表征多样化且部分鲁棒,与合成数据互补,促使特征更解耦。 在 CIFAR-10、CIFAR-100 及 ImageNet 上验证了联合利用扩散表征与合成数据的有效性。
FLEX-LBP通过反向传播学习局部二进制模式参数,在六个基准测试上比固定描述符平均提高3.55分准确率。 模型仅含90个可学习参数,推理成本不变;在Kather结肠癌组织学基准上达到93.8%准确率,优于2350万参数的ImageNet ResNet-50特征。
研究评估四种 ZACH-ViT 变体及两个基线模型,在七个 MedMNIST+ 数据集及三个外部基准上训练,所有模型参数量少于 260,000 且为 CPU 可训练。
ATune 是首个无需专家修图数据、仅靠 10M 张照片进行无监督训练的图片质量优化模型。 该 54M 参数模型通过设定 13 项图像属性目标值,驱动 RawTherapee 等编辑器调整滑块以改善画质。 在人类偏好测试中,用户以 54.3% 的比率更青睐 ATune 而非 GPT-6 Astra 的修图结果。
ArtCraft 在 AI Engineer Code Summit 发布开源 Photoshop 替代工具 PhotoCraft,并披露已上线 Adobe Acrobat 克隆 PdfCraft、Figma 克隆 WordCraft 等 17 款应用。
阿里巴巴旗下 AI 音乐创作平台快乐虾米(HappyShrimp)已上线 iOS 与 Android 端,App Store 更新至 0.2.14 版本。平台支持自然语言生成带人声歌曲或纯音乐,国内标准会员约 30 元/月可生成 150 首歌曲,折合每首约 0.2 元;海外会员起售价为 14.90 美元/月。
Adrian Vale 分析了 AgentCraft 公开库中 2212 条 AI 视频和图像提示词,发现点赞最高的视频提示词通常更长且更有结构。视频提示词字数中位数达 309 字,比多数用户习惯的一行提示词长得多;图像提示词中位数 199 字。
MiniMax 正式发布新一代开源图像生成模型 H3-Image。实测显示其高速版约 10 秒即可生成 4096x4096 像素的 4K 图像,耗时约为主流模型的 1/5。该模型支持 16 张参考图融合,并展现出处理复杂指令的能力,例如生成三视图一致的 CAD 设计、拆解机械爆炸图,以及制作包含百字级中文的排版海报。
AxiomStory 是一款 AI 故事工作室,通过自动生成的 Wiki 锁定角色特征,确保文本、图像及视频中角色外观与行为的一致性,并支持一致性检查工具。 其功能涵盖从文本导入到视频生成,付费计划包括 Writer $16/月、Studio $48/月及 Studio Pro $160/月,免费层提供约 30,000 字额度,7 天内可全额退款。
MiniMax 开源 SOTA 图像生成模型 H3-Image,支持 16MP 原生 4K 分辨率及最多 16 张参考图输入。该模型具备显著的逻辑推理能力,可自动生成 CAD 三视图、机械爆炸图以及正确解答微积分试卷。官方 API 定价约为主流竞品的 50% 到 70%,首周 16MP 请求享五折优惠。
推荐理由:实测显示该模型能精准生成CAD图纸与解题步骤,且支持原生4K分辨率,展示了其在逻辑推理与细节还原上的双重突破。
MiniMax 正式发布 H3 Image 模型并同步开源权重,支持最高 4K 分辨率、16 张参考图输入及 7500 字符提示词,生成速度仅需 10 到 20 秒。在测试中该模型表现出极强的指令遵循能力,能准确理解建筑蓝图、具身智能合成数据、机械爆炸图等复杂工程场景,且在多参考图一致性任务中避免了常见的特征混杂错误,目前开放了 API 并集成于 MiniMax Code 等平台。
M6 芯片 MacBook Pro 通过 AI 算力增强,使音频分离与图像超分速度显著超越 M3 Pro,如 Pixelmator 处理 5 张照片仅需 48 秒。 软件层面,Creator Studio 订阅支持 MCP 原生接口与生成式 AI,配合每月 38 元价格降低专业创作门槛。 苹果旨在通过软件生态绑定用户,以反哺硬件销量,并利用 AI 用量包探索新增商业价值。
Adobe 在 MAX 大会上公布 Project Screen Test、Sight Span 等四项 AI 实验项目,支持对话设计角色、将平面图像转换为可探索 3D 场景及复制编辑操作。
Adobe 在 Max 大会上发布 Project Screen Test、Sight Span、Sound Bender 和 Rinse Repeat 等 AI 实验预览。
Editmamei 是一个桌面 MCP 服务器,允许 Claude 等 AI 应用通过图层级工具直接控制 Photoshop 和 GIMP 进行照片编辑,全程保留可编辑性且不生成像素。项目提供 112 个已验证工具,支持在设备端运行 ONNX 模型进行人脸和场景检测,并区分免费社区版与商业 Pro 版。
故事板艺术家正抵制 AI 在幕后日益增长的作用。 James Cameron 和 Steven Soderbergh 已采用该技术,幕后工作最先感受到变革。 Christopher Nolan 称 AI 替代为“无稽之谈”,但预期有用成像工具。
Ring 旗下 Ring Robotics 推出售价 $249.99 的 Drone Cam 无人机和商用 Rover Cam 机器人,后者的上市时间晚于前者。 两者搭载“AI Pilot”系统,结合视觉模型、本地传感器与云端算力,实现地图绘制、自主巡逻及警报警源直播,无人机定于 2027 年 1 月 27 日发货。 该发布时隔近 6 年,重新引发对自主移动摄像头在家庭及商业场景隐私风险的担忧。
红果短剧创作者中心发布功能,支持 AI 剧虚拟形象创编与确权。创作者可上传真人授权、IP 授权或著作权登记证书等权属材料申请审核,形成确权记录供内容使用参考。 该功能明确确权记录仅作权属信息留存,不代表绝对风险兜底,内容上线仍需符合平台规则及法律法规。此前平台已加强治理低质及同质化短剧内容。
VirtualTryOn 利用 AI 支持用户预览衣物、眼镜、戒指及发色与发型的试穿效果。支持 JPG、PNG、WebP 格式,单图限 10 MB 且总大小不超过 20 MB。该工具仅用于外观探索,无法替代物理尺寸测量或真实试戴体验。
在 Adobe MAX 2026 大会上,Adobe 为 Photoshop、Premiere 等软件推出多项 AI 新功能。
PaGeR 框架通过混合视角与全景图像训练,在单次前向传播中统一预测尺度不变深度、度量深度、表面法线及天空掩码。该策略保持底层预训练 Transformer 架构变更最小化,保留丰富的 3D 先验,实现了几何一致的 360 度场景重建。PaGeR 在室内外环境中表现出 SOTA 性能及优秀的零样本泛化能力,代码与模型已开源。
研究人员提出紧凑且可逆的曝光等变编码 EquivFlow,无需修改 VAE 即可解决 SDR 到 HDR 重建中常见的暗部崩溃问题。 该编码将曝光变化映射为加性偏移,保留了尺度无关的色度成分,并在 SDR 到 HDR 视频扩散模型中取得了一致的色度保真度提升。 EquivFlow 在跨预训练图像与视频 VAE 的编码层测试中,证明了其曝光结构与深暗色度传输的稳定性。
JiT 模型通过添加后期像素精化卷积层显著提升了图像生成质量。在 ImageNet@256 数据集上,该方法将 FID 从 2.34 降低至 1.78。 该卷积像素通路层无需在早期去噪阶段激活,最晚可在去噪过程的最后 20% 阶段激活。此改进未使用额外的损失函数。
研究提出轨迹正则化分布蒸馏(TRD),结合分布级与轨迹级监督,单次前向传播生成用于一步生成的策略。 在 SANA-1.6B 和 Stable Diffusion 3.5 上,TRD 在生成质量和训练效率上优于代表性基线,但样本多样性存在权衡。
针对地球观测数据覆盖不均与多模态处理成本高的痛点,本研究系统梳理地球嵌入理论基础并评估其应用。 在四个下游任务(高光谱分类、树冠分割、产量预测、生物量估算)中,地球嵌入表现并非总是优于原始影像或手工特征。 结论指出,地球嵌入应作为跨时空稳定表征补充而非替代传统数据,从业者需根据具体任务评估其适用性。
提出免训练框架 Forward-Value Discretization,证明高阶近似无法提升随机采样收敛阶。 包含 F-DPMSolver 与 F-DDPM 变体,单次迭代仅评估一次模型,在 CIFAR-10 等数据集实现更低 FID。
提出可逆线性层 RB-LDC,通过重平衡潜变量各方向的信噪比(SNR)以匹配解码器敏感度,显著提升扩散模型在噪声干扰下的重建质量。 在 ImageNet 256x256 分辨率实验表明,使用冻结扩散模型时,RB-LDC 在全部 12 种采样进度与通道 SNR 组合中均获得更低的 FID 值,VA-VAE 块局部编码下扰动 FID 平均降低 17.1。
摩尔线程宣布 MTT S5000 智算卡及 MUSA 软件栈在 MiniMax H3-Image 开源当日完成适配。 该模型支持 10 秒生成 4096×4096 像素图像,速度达市面主流水平的 5 倍,具备文本生图及编辑能力。 此次适配复用了 SGLang 等组件,优化了高算力负载下的 Attention 开销,为后续生图模型奠定适配基础。
在 MiniMax 33B 图像模型上应用 pDMD LoRA 实现了两步实时图像编辑,并支持通过 ZeroGPU 使用。作者提供了 LoRA 权重及单文件 ComfyUI 检查点,开放了应用演示入口:https://huggingface.co/akhaliq/minimax-h3-image-pdmd-2step 和 https://huggingface.co/spaces/akhaliq/minimax-h3-image-2step。
Hedra 于 2026 年 11 月 10 日推出 Model Factory,一个面向物理和人工智能的自主后训练与推理平台,其过去 12 个月营收增长 15 倍。
测试对比了 C2PA 与 SynthID 两种 AI 图像水印的存留特性,C2PA 仅附加签名元数据且易被去除,SynthID 则嵌入像素中并在裁剪和 JPEG 压缩下依然有效。实验通过频域分析发现 AI 图像具有较低的频谱熵,尽管尝试屏蔽高频峰值未能成功定位水印,但揭示了图像中隐藏的非随机频谱结构。
Weta FX CEO Daniel Seah指出,好莱坞主要片厂已从全面禁用生成式AI转向要求供应商必须具备AI战略,否则不予合作。这一态度转变促使Weta FX与台湾动画工作室Moonshine Studio达成合作,以加速GenAI应用并探索亚洲市场。
开源项目 Dryplate 提供本地运行的图像工具,支持将 iPhone HEIC 转为常规格式、压缩、裁剪及剥离元数据,所有操作均在本地完成,无数据上传。 工具包含基于 Node 和 WASM 的 @dryplate/sdk 以及面向 Claude 等 MCP 客户端的 @dryplate/mcp,支持 8 种图像处理功能,代码以 MIT 协议开源。
MiniMax 正式发布并开放权重,推出衍生自 H3 的图像生成模型 H3-Image,具备文生图、参考图和图像编辑能力。该模型在 10 秒内生成一张 4096 x 4096 像素(16MP/4K)图像,官方称其指令遵循能力最强且支持 16 张参考图,发布首周针对 16MP 及以上规格请求提供官方价格的五折优惠。
Adobe 在 MAX 2026 大会上宣布向 Photoshop、Premiere 等产品注入更多 AI 功能,并推出本地 MCP 以支持 ChatGPT、Claude 和 Gemini 调用。
Adobe 在 Max 大会上推出多项 AI 更新,旨在简化设计编辑流程。Premiere 新增 Generative Remove 工具,利用生成式 AI 在时间轴中移除杂物并填充细节。
字节跳动 Seed 团队发布图像创作模型 Seedream 5.5,重点升级多轮编辑、原生RGBA透明素材生成及复杂文字渲染能力。实测显示模型支持针对同一画面最多 100 轮修改,单张 2K 方图编辑成本约 0.28 元,较上代成本减半。
同一新闻,精选展示《字节跳动 Seed 团队发布图像创作模型 Seedream 5.5》
ByteDance Seed 发布图像模型 Seedream 5.5,支持多达 100 轮编辑且未修改区域像素保持一致、无颜色漂移,并原生输出带透明背景的 RGBA 图像。该模型据称在文本结构和真实感(包括密集小字)上优于 GPT Image 2.5 Sunburst,将通过即梦、豆包和火山引擎 Ark 开放,Pro 版本正在规划中。
豆包官方宣布图片设计能力升级,正式接入 Seed 团队发布的新一代图像创作模型 Seedream 5.5。新模型在豆包中支持非编辑区域像素级保持和最多 100 轮的多轮编辑,可直出带 Alpha 通道的 RGBA 透明素材,并优化了光照材质纹理表现及复杂小字的渲染清晰度。