SelFix:通过轨迹直线性实现 Rectified Flow 固定点反转
针对 Rectified Flow 固定点反转中多解选择缺乏原则的问题,提出方法 SelFix。 该利用轨迹直线性作为选择标准,能在标准局部假设下收敛至精确逆根。 在 FLUX.1-dev 和 PIE-Bench 上,SelFix 实现了比基线更强的实图重建和源保持提示编辑。
针对 Rectified Flow 固定点反转中多解选择缺乏原则的问题,提出方法 SelFix。 该利用轨迹直线性作为选择标准,能在标准局部假设下收敛至精确逆根。 在 FLUX.1-dev 和 PIE-Bench 上,SelFix 实现了比基线更强的实图重建和源保持提示编辑。
论文提出自蒸馏生成对抗网络(SD-GAN),通过将 EMA 生成器作为教师指导主动生成器,以感知损失提升训练稳定性。 SD-GAN 在简化连续时间 Dirac-GAN 设置下证明了局部渐近稳定性,并有效抑制了寄生循环行为。 在多个架构和数据集上,SD-GAN 改善了 FID 和 random-FID 等指标,且被接收至 NeurIPS 2026。
该研究提出一种统一的欧几里得-沃瑟斯坦-2梯度流框架,通过单一流在潜空间中联合执行后验采样和提示优化,以解决逆向问题。该方法结合少步潜文本到图像模型,实现了无需对自编码器进行反向传播的低NFE推理。在多个经典成像逆向问题实验表明,该方法在显著降低计算成本的同时实现了最先进性能,并被NeurIPS 2026接收。
PAIR 框架重构了文生图扩散模型的概念擦除任务,通过构建不安全-安全配对实现一致性保持的语义重对齐。 采用成对语义重对齐与 DoRA 的 Fisher 加权初始化,实验表明其在概念擦除与生成质量间实现了最佳平衡。 该成果已被 NeurIPS 2026 接收。
提出几何-概率框架 (L)MPPM 用于盲图像修复,通过核方法近似分布并引入流形距离函数。 该模型在图像及潜空间诱导由联合几何与概率信息引导的分数场驱动流。在多项图像修复基准上,(L)MPPM 性能持续优于现有方法。
论文提出MGN-AIR像素级修复框架,用于All-in-One图像修复。 该框架估计像素级视觉提示,结合文本与视觉提示提供全局和局部退化线索,实现精细控制。 实验显示其在去噪、去雨、去模糊、去雾、去雪和低光增强等基准测试中,表现显著优于现有方法。该工作已被ACMMM 2026接收。
summary_zh: UDT提出数据自适应Token缩减机制,结合Diffusion Transformer与U-Net优势,在256x256 ImageNet上将XL模型收敛速度提升约40倍。
研究人员提出 TDAction,用于构建单步生成模型。该方法通过优化共享参数更新路径,解决传统传输目标仅关注分布运动的问题。在 ImageNet 256x256 数据集上,TDAction 实现了低于 1.1 的 FID 分数,且无需蒸馏过程。
该研究针对现有方法在主体驱动生成中存在的跨模态推理局限及复制粘贴伪影问题,提出条件化扩散模型框架。模型联合编码文本与参考图像,并引入VAE身份条件及双层聚合模块,通过多阶段去噪平衡语义与细节。 实验显示该方法在人工偏好上取得优越性能,有效协调多模态理解与身份保持。
研究者提出模型拼接框架 StitchVM,将冻结扩散模型前缀与预训练奖励模型后缀通过兼容特征接口连接,通过闭式特征拟合和轻量蒸馏使模型能直接从不干净潜变量估计价值函数,无需近似或额外去噪。
Signed Rectified Flow (Signed RF) 将 Rectified Flow 推广至对数似然差异为正的符号测度,从而生成有效的分布并排斥负成分占主导的区域,将负信息与排除约束纳入生成建模框架。
SANEval 是一种开放式词汇组合式评测基准,包含 6 个 SOTA T2I 模型生成的约 5250 个提示词图像对,并配有模块化评估流程。 该流程结合 LLM 提示词解析器、开放式词汇检测器及属性绑定等评分器,在 500 个人类评分验证中,SANEval 整体 Pearson 相关系数为 0.222,优于 CompBench++ 和 GenEval。
提出 FMTT 算法,通过利用流图与速度场的关系,在测试时优化扩散模型的奖励梯度,避免常规方法中因奖励仅在数据分布末端定义而导致的不适定问题。 FMTT 可执行基于重要性加权的精确采样,或识别奖励倾斜分布局部极大值的原则性搜索,相比其他前瞻技术更有效,并能处理复杂奖励函数(如结合视觉语言模型实现新式图像编辑)。
EqM 提出基于平衡动力学的生成建模框架,在 ImageNet 256×256 上取得 1.90 FID,为测试方法中最佳。 EqM 舍弃传统扩散/流模型的时间条件动力学,学习隐式能量景观的平衡梯度,推理时通过梯度下降、自适应优化器与自适应计算进行采样。 该框架可扩展至部分噪声去噪、OOD 检测与图像合成等任务。
Pixel-space Flow Matching 中标准 $v$-prediction 失效源于次成分中的带宽瓶颈,而非目标分布 off-manifolding。
reComposer 通过可编辑规划支持 8 位专业用户协作,相较直接提示词让用户感到更强的控制感。 系统将用户意图分解为主体、构图等决策,支持对话式与直接操纵以探索替代方案。 该过程强调从指定输出转向塑造过程,以支持创造性思维与资产生产。
Flex-DDCM 是一种零样本任务导向图像压缩框架,基于 Turbo-DDCM 通过自适应编码扩散轨迹和任务引导噪声选择实现重建。 该方法允许单独或组合应用引导项,并利用时步相关强度控制去噪过程中的影响,在不增加解码复杂度的情况下实现任务适配。 实验表明,该框架在像素保真度、感知质量和下游任务性能间提供灵活权衡,性能媲美已训练的任务导向编解码器且解码速度快于 Diff-ICMH。
dNaViT 提出一种基于离散自回归建模的视觉 Transformer,通过冻结预训练编码器与轻量级残差调制生成离散视觉原语。利用分组乘积量化扩展离散容量,避免空间序列长度膨胀。在 12 个视觉理解、4 个生成及 1 个图像编辑基准测试中,其性能达到或超过专用任务基线,证明紧凑离散词表可作为通用视觉货币。
PhysDNet 在 Seeing Through Fog 基准上性能优于竞品 1.67 dB,计算量降低 5.2 倍,恢复 54.9% 的雾致检测损失。 该轻量架构融合近红外图像与稀疏 LiDAR 深度,通过物理约束双头目标进行训练,在 L/M/S 变体中以低于 4 瓦功耗运行。 模型被 NeurIPS 2026 接收,支持在固定功能 NPU 上部署。
通用图像生成模型 Nano Banana 用于医学图像合成,仅用合成数据训练的肺炎模型 AUROC 达 0.877。 合成数据可补充训练与子群增强,但校准性能不稳定;编辑视网膜图像可使模型概率从 0.996 降至 0.822。 临床医生需结合校准分析和决策曲线评估合成数据的临床价值,而非仅看判别指标。
研究揭示了扩散模型异常检测中异常泄漏的精确生存律,表明异常随噪声降低呈指数衰减,衰减速率由保留率 r 决定。 该方法利用不同步数下的泄漏一致性,提出 SurvAD 框架,通过微调重构器并拟合比较器优化残差图。
论文提出 EBReg 框架,利用潜变量得分估计防止无监督学习中的表示坍塌。该方法联合训练编码器和得分模型,在 ImageNet-1K 上实现 75.57% 线性探针准确率,使用 ViT-L 架构。 测试时,得分引导的自适应机制在 ImageNet-C 数据集上提升约 5% 的平均相对准确率,增强了模型的鲁棒性。
研究人员推出 Discrete Diffusion Playground 基准,通过精确离散化双射将 2D 连续分布转换为二进制 token 序列。 该基准支持精确网格散度、Wasserstein 距离及非参数两样本检验,能揭示标准代理指标无法发现的失败模式。
研究者提出DA-DMD,通过复用训练中的教师-伪模型分歧信号来动态调制更新强度,无需额外模型或推理时修改。 该方法仅在高采样噪声区间激活,在外围精确恢复原始DMD行为,并在极端分歧时表现重降性影响。在SD3.5-L上,DA-DMD将HPSv2分数从28.23提升至30.93,且以64.4%的平均胜率超越DMD2。
提出一种基于 Volterra 层的自包含像素空间扩散模型,无需注意力、卷积、预训练组件或激活函数。 证明 softmax 注意力无法实现非线性多项式映射,而 Volterra 层在数据流形上实现更优逼近率,在 ImageNet 256x256 和 512x512 上表现具备竞争力。
字节发布Seedream 5.5模型,显著提升多轮编辑稳定性与图层拆分能力。实测显示该模型在100轮连续图像编辑中保持高保真度,优于GPT-Image 2.6,并支持小字多语言渲染、透明图生成及GIF制作。新模型已在即梦、豆包等平台上线,API成本降低至单张2K图约0.28元,速度较前代版本加快。
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》
Adobe 与华特迪士尼公司达成多年战略合作,成为其官方 AI 创新合作伙伴,计划将 AI 工具推广至主题乐园、内容制作及体育内容传播领域。 双方将利用 Firefly Foundry 开发围绕迪士尼角色和视觉风格训练的生成式 AI 模型,由艺术家主导,并共享 Firefly 等工具的优先使用权。
对 GPT Image 2.6 的 Sunburst 和 Flare 两款模型进行五项提示技巧实测,涵盖海报、产品、编辑、GIF 及提示结构。 测试显示两者在海报与产品场景均正确遵循指令,Flare 风格更具插画感且对比度更强,Sunburst 则保持更中性的目录风格。 在简单静态图中 Flare 有时更快,但在编辑与 GIF 任务中 Sunburst 性能更优,总计费生成量为 0.212692。
Bytedance 发布 Seedream 5.5 图像生成模型,支持最多 100 轮多轮编辑,未修改区域保持像素级稳定且无颜色偏移。模型原生生成带透明背景的 RGBA 图像,无需手动抠图即可作为设计素材使用,并优化了光影、材质、皮肤质感及密集小字的渲染准确性,将在即梦、豆包等产品逐步上线。
Playcode团队发现,AI实验室正通过膨胀输出token或更换分词器,在不提高每token单价的情况下变相涨价。测试显示,OpenAI的GPT Image 2.6比2.5消耗3.3倍的输出token,而Anthropic的Claude Fable 5.2比5.1消耗3.4倍的token且成本更高,尽管标称价格更低。
Instagram 推出 Effect Builder 功能,允许用户通过 AI 提示词生成 Stories 自定义滤镜,目前已向美国 18 岁以上居民开放。 该功能支持风格参考图上传、效果预览迭代,并允许 AI 重写用户提示词以细化风格需求。 用户提交生成的滤镜需通过安全审核后,可展示在 Instagram Stories 中供他人使用。
Disney 宣布与 Adobe 达成多年期合作,利用 Adobe Firefly Foundry 构建针对 Disney 品牌的定制 AI 模型,以生成具备商业安全性的生产级输出内容。
Disney 与 Adobe 达成多年期合作,将开发专属的“艺术家主导”生成式 AI 模型以支持 Disney 的制作流程。 Disney 将获其最新技术的早期访问权,用于主题乐园、游轮及 ESPN 内容等场景。
字节跳动 Seed 团队发布图像创作模型 Seedream 5.5,核心支持非编辑区域像素级保持的多轮编辑以及直接输出带 Alpha 通道的 RGBA 透明素材。该模型在六类生产场景中的生成效果评分与可用率较上一版本 Seedream 5.0 Pro 提升,其中影视与办公场景可用率达到上一版本的两倍以上。模型的文字渲染能力显著增强,严重文字崩坏率降至 0.4%,目前正陆续在即梦、豆包等平台上线。
推荐理由:该模型原生支持生成带透明通道的素材,并支持百轮连续编辑,解决了创作中反复修改易损画质和需额外抠图的痛点。
1. **识别核心主体与动作**: * 原文标题:“Turn text or photos into 360° panoramas with AI” * 原文内容描述了一个功能:将文本或照片转换为 360° 全景图。
PSP-DiT 将全景场景程序作为一等潜变量而非外部控制信号,通过耦合 Transformer 流对图像潜变量和场景程序潜变量进行联合去噪。该架构在匹配设置下于 GenEval 2、SANEval-Simple 等基准上超越了基线模型,在计数、属性绑定和角色敏感关系方面表现最佳,且推理开销适度,已获 NeurIPS 2026 收录。
控制实验表明,文生图模型输出不安全比例随训练数据中不安全图像占比从 0% 到 9.6% 单调上升,在对抗性提示下达 26.4%。 固定预算下,过滤固定比例(而非绝对数量)同等有效,且不影响 FID 等指标,但过滤后仍存在 13.6% 不安全生成下限。 安全对齐编码器可将下限降至 9.6%,但微调全安全数据会抵消整理收益,显示数据整理与编码器选择需互补。
DiRotQ提出W4A4 PTQ框架,通过PCA低秩子空间保持关键激活分量的高精度。 在PixArt模型上,DiRotQ取得FID 15.9、PSNR 19.1 dB,优于SVDQuant的FID 18.9。 Triton内核使12B FLUX.1-dev模型内存降低2.1倍,RTX 4090上推理速度提升2.3倍。
MM-SOLD 是一种免训练的交互粒子采样器,通过对分数进行矩匹配平滑来生成样本,无需昂贵的神经网络训练。 该方法证明了理想受约束吉布斯平衡的单粒子边缘分布随粒子数增加而收敛至指数倾斜的分数平滑目标吉布斯-玻尔兹曼密度,且其均值与协方差匹配训练 GMM。
论文提出 CCVFM,一种增强分层整流流的生成模型,用数据驱动的源分布替代各向同性高斯噪声源。该方法在 MNIST、CIFAR-10、ImageNet-32 和 CelebA-HQ 上实现竞争力强的少步生成,并证明代理传输成本等于目标-代理 Wasserstein 间隙。代码已开源。