跳到正文
11月10日周二
  1. arXiv · ML20

    Self-Distilling Generative Adversarial Networks (SD-GAN) 被证明可稳定 GAN 训练

    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。

  2. arXiv · ML27

    一致性正则化梯度流用于逆向问题的求解

    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。

  3. arXiv · AI34

    MGN-AIR:基于像素级多模态引导的All-in-One图像修复框架

    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。

  4. arXiv · AI32

    NeurIPS 2026论文提出基于MLLM与VAE的条件扩散模型,优化主体驱动图像生成

    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。

  5. arXiv · AI30

    SANEval:开放式词汇组合式评测基准与故障模式诊断

    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。

  6. arXiv · ML34

    基于流图的扩散模型测试时缩放

    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)。

  7. arXiv · ML31

    Equilibrium Matching:基于隐式能量模型的生成建模框架

    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。

  8. arXiv · AI21

    reComposer:基于可编辑规划的图像生成系统

    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。

  9. arXiv · ML31

    Flex-DDCM:基于扩散轨迹引导的零样本任务导向图像压缩框架

    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。

  10. arXiv · AI40

    dNaViT: 离散代码作为通用视觉表示

    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。

  11. arXiv · AI44

    通用生成式 AI 能否为医学视觉模型提供训练数据?一项多模态回顾性研究

    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。

  12. arXiv · ML31

    基于得分最大化的无监督坍塌防护框架 EBReg

    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。

  13. arXiv · AI20

    DA-DMD:感知分歧的分布匹配蒸馏改进少步扩散模型

    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。

  14. 量子位75

    Seedream 5.5 发布:优化多轮编辑一致性与图层拆分能力

    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》

  15. IT之家44

    Adobe 与迪士尼达成多年战略合作,将 AI 工具推广至迪士尼乐园、内容制作领域

    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。

  16. R/ArtificialInteligence40

    GPT Image 2.6 Sunburst 与 Flare 实测:基于官方提示指南的五项对比

    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。

  17. The Decoder51

    字节跳动发布 Seedream 5.5 图像生成模型

    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。

  18. The Verge · AI42

    Instagram 上线 Effect Builder,可用 AI 提示词生成滤镜

    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。

11月9日周一
  1. IT之家79

    字节跳动 Seed 团队发布图像创作模型 Seedream 5.5

    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。

  2. Hacker News AI40

    **分析与过程:**

    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。

  3. arXiv · ML28

    PSP-DiT 将全景场景程序作为潜变量提升组合提示理解

    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。

  4. arXiv · ML41

    文生图模型中训练数据驱动不安全图像生成研究

    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。

  5. arXiv · ML26

    免训练生成采样方法 MM-SOLD 经矩匹配分数平滑收敛至吉布斯-玻尔兹曼密度

    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。