跳到正文
11月3日周二
  1. IT之家20

    央视频 CPOPwave 发布长红 IP《原神》及十大出海案例

    总台央视频 CPOPwave 正式发布长红 IP《原神》及十大优秀出海案例,后者包括《凡人》动画、《绝区零》等。 该发布活动于 11 月 2 日举办,是世界互联网大会乌镇峰会配套活动,同期发布了《中国潮流 IP 出海报告》。 活动首次引入生成式多智能体社会孪生方法,聚焦 IP 全球化运营与 AI 应用。

  2. 硅基流动45

    硅基流动上线 MOSS-Image

    硅基流动上线由模思智能与 OpenMOSS 团队开源的 MOSS-Image 模型。该模型 5B 参数主干支持 4K tokens 提示词输入,主打精准文字渲染与 JSON Layout 布局控制。 开发者可通过硅基流动 API 以 0.3 元/张的价格调用,满足海报、图解等复杂排版及多风格图像生成需求。

  3. Seven Minute Feed79

    超400款App Store应用隐藏色情及暴力深度伪造功能

    一项调查发现,超过400款在苹果App Store和谷歌Play商店上架的AI应用隐藏了生成色情及暴力深度伪造(deepfake)内容的功能,这些应用疑似由单一中国机构制作。该发现暴露了两大平台审核流程的监管缺口,表明当前AI图像生成工具使制作滥用内容的难度大幅降低,极易对受害者造成侮辱或威胁。

    同一新闻,精选展示《Wired调查:数百款伪装AI应用隐藏色情深伪功能》

  4. 机器之心53

    商汤、港科MMLab等联合提出 MT Forcing:改善多轮图像编辑的画质稳定性与内容一致性

    商汤研究院、港科 MMLab 等联合提出 MT Forcing 方法,用于改善基于自回归扩散的统一多模态模型在连续多轮图像编辑中的画质退化与内容漂移问题。该方法结合 Single-Turn DMD 与 Teacher-Forcing Guidance,使模型在训练阶段通过自主展开覆盖推理时的实际历史,并利用单轮教师提供分布匹配监督以维持输出质量。

  5. arXiv · ML24

    利用少样本扩散缺陷合成加速新产品引入中的视觉质量检验

    该扩散生成框架通过少样本缺陷合成加速新产品引入中的视觉质量检验,在RF-DETR检测器上显著提升性能。 在少样本增强设定下,模型将mAP从78.8%提高至83.3%;在零样本适应设定下,mAP从65.0%提升至85.1%。 研究支持其有效缩小领域差距,在缺乏真实缺陷数据时实现高效检测模型部署。

  6. arXiv · ML27

    GDMD:基于梯度强化学习引导分布匹配蒸馏

    GDMD框架将强化学习应用于扩散蒸馏,通过优先使用蒸馏梯度而非原始像素输出作为优化信号,解决了样本评分与蒸馏轨迹冲突的问题。该机制将DMD梯度重新解释为隐式目标张量,使奖励模型直接评估蒸馏更新质量,实现自适应加权同步。实验显示,GDMD的4步模型在GenEval和人类偏好指标上超越多步教师模型及DMDR,刷新少步生成SOTA。

  7. arXiv · ML35

    一致性模型训练稳定化:流映射分析与自蒸馏方法

    该研究通过流映射视角分析一致性模型,揭示导致退化解的训练与收敛机制,并提出改进的自蒸馏方法 iSD 及其变体 iSD-T。 iSD 重新表述目标函数以避免过大的梯度范数,iSD-T 进一步结合无分类器引导以提升性能与可复现性。 论文证明该方法不仅适用于图像生成,还可扩展至基于扩散的策略学习,且无需依赖预训练扩散模型初始化。

  8. arXiv · ML33

    One Image Is Enough: Self-Generated Supervision for Personalizing Human Video Diffusion at Test Time

    提出基于单参考图像和自生成伪标签的人体视频扩散个性化方法,在测试时通过合成关键姿态帧监督,无需多姿态视频或真实标签。 方法采用域调优姿态条件生成器产生伪真值帧,结合推理时参考仅采样器和低秩适配器训练;在 TikTok 和 UBC Fashion 基准上,改进模型优于基线,反转身份-运动权衡,性能匹敌使用五张真实帧的适应模型。

  9. arXiv · ML23

    Latent Diffusion-GAN:在自编码潜在空间进行对抗学习

    研究人员提出 Latent Diffusion-GAN (LD-GAN) 框架,将对抗学习无缝整合进扩散模型,利用预训练 VAE 作为基于能量的判别器,无需额外参数即可进行对抗训练。 该框架引入结构一致性能量对齐编码器与解码器特征,确保训练动态高效。实验表明 LD-GAN 在多个生成任务上显著优于 SOTA 基线方法,提升了样本保真度、感知锐利度与多样性。

  10. arXiv · ML22

    ODC:正交漂移校正改善文生图语义对齐

    提出推理时引导方法 ODC,通过两阶段流程校正文生图语义漂移,无需重新训练或额外用户输入。 第一阶段在共享视觉-语言嵌入空间识别并隔离正交于提示词方向的漂移分量,第二阶段生成精炼文本条件。 在 COALBench-300 和 PartiPrompts 上提升 CLIP 分数最多 5.4%,在 T2I-CompBench 复合子集提升平均 3-in-1 分数 4.5%。

  11. arXiv · ML22

    离散生成聚类 (DGC):基于正则化 Wasserstein 距离的聚类分析方法

    该研究提出离散生成聚类 (DGC) 框架,将聚类分析建模为离散生成问题。 通过用正则化 Wasserstein 距离替代 DDN 的 l2 损失,解决了硬最近邻选择导致的训练不稳定问题。 DGC 具备四个优势:簇中心可解释为真实合成样本;推理成本随簇数 K 呈对数级 O(log K) 增长;优化目标平滑且收敛稳定;采用随机邻居选择避免多步前向中的密度偏移。

  12. arXiv · ML23

    FlowFPR:基于流匹配先验的过采样傅里叶相位恢复方法

    提出 FlowFPR 方法,结合预训练流匹配先验与松弛平均交替反射,用于过采样傅里叶相位恢复。单次时间相关流预测即可获得清晰图像估计,无需通过流网络反向传播测量误差。在自然人脸图像测试中,联合变体在两个非零噪声水平下取得最佳平均质量,且端到端运行时间低于扩散模型基准。

  13. arXiv · ML24

    动态合并互蒸馏多视图网络用于基于 RGB-事件 的表示学习

    提出一种互蒸馏方法,结合多视图教师网络权重实现模型参数级融合,解决现有范式仅利用有限事件数据表示能力的问题。 采用多个编码器提取不同事件表示,在特征级和 logit 级进行互知识蒸馏,再通过动态层级模型合并策略生成统一的 RGB-事件表示模型。 在多个基于事件的基准数据集上验证,该框架取得显著性能提升,为多模态融合提供更优解决方案。

  14. arXiv · AI29

    WaiT 频域感知 Flow-Matching 模型:WaiT for the Signal

    WaiT 通过小波分解将生成过程分为粗细频段,让高频带等待粗结构出现后再参与精修。 模型在 ImageNet 512x512 上像素空间 FID 达 1.43,最大 2B 模型以 FID 1.3 创下像素空间模型 SOTA,且采样算力降低 50%。 该方法在纹理保真度上超越最强的潜在空间模型,并在 Kinetics-600 上以 FVD 0.84 实现视频生成 SOTA。

  15. arXiv · AI28

    GILA:用于 AI 生成图像检测的全局层间聚合方法

    研究人员提出 GILA 方法,通过层间自注意力机制聚合冻结视觉编码器的多层全局表征,旨在解决现有检测器泛化能力有限的问题。 该方法无需微调预训练编码器,在三种视觉骨干网络和十个生成器上验证了其对检测性能的提升。 实验结果表明,GILA 显著增强了跨数据集的泛化能力,有效利用中间层信息。

  16. Hacker News AI20

    Clarpex 上线:免注册 AI 照片增强工具

    Clarpex 是一款免注册、基于浏览器的 AI 照片增强工具,可将模糊或低分辨率图片转为清晰图像。 支持 JPG、PNG、WebP 格式(上限 20 MB/40 百万像素),每日提供 10 次免费额度,Standard 模式每次消耗 2 额度,Pro 模式需购买。 该工具同时具备增强与放大功能,照片仅用于生成结果,不用于 AI 训练,匿名用户在 24 小时后自动删除。

11月2日周一
  1. Wired84

    Wired调查:数百款伪装AI应用隐藏色情深伪功能

    Wired调查发现,包括宠物头像应用Viefur在内的400多个应用伪装成日常服务,实际隐藏可生成色情深伪图像的界面。这些应用由中国开发者和香港实体KeLing Technology Limited运营,通过Meta平台的数万条广告推广,部分广告包含儿童性虐待材料。苹果和谷歌已移除相关应用,Meta封禁了209个应用的广告权限,但类似应用仍在不断发布。

    推荐理由:调查揭示了400多个伪装成日常应用的深伪色情工具如何绕过平台审核并大规模投放广告,为理解AI内容安全漏洞提供了具体案例。

  2. Hacker News AI50

    ADKA AI 广告生成工具发布

    ADKA AI 工具支持上传商品图,几分钟内生成高转化视频广告及亚马逊、Shopify 等平台整套商品图,无需剪辑。 内置字节跳动 Seedance 2.0/2.5、快手、阿里巴巴等 5 种视频模型,及 OpenAI、Google 等 4 种图片模型,支持 1K-4K 输出。 采用“按量付费”模式,注册赠送 50 积分,提供基础、专业、商业三档订阅,失败生成全额退款。

  3. arXiv · AI23

    3D-ARD+ 实现结合自回归与扩散的交互式文本到场景生成

    研究团队提出 3D-ARD+ 模型,统一自回归生成与扩散生成,实现交互式文本到 3D 场景创建。 该模型采用两步生成策略:先生成场景空间中的粗粒度 3D latents,再生成物体空间中的细粒度 latents 以解码几何与外观。 团队利用 23 万室内场景数据集训练 7B 参数模型,展示其能根据复杂文本指令准确生成并放置物体。

  4. arXiv · AI23

    7B参数视频世界模型通过合成无人机数据提升空中检测精度

    利用7B参数视频世界模型生成合成数据,可将空中检测器在保留测试集上的mAP@50-95提升4.3%至10.3%。 生成合成数据成本约为1,100美元GPU时间,而同等规模真实数据需3,200美元以上人工采集成本,且87.5%的生成片段会被专家过滤。 该研究证明合成数据能将数据获取成本从实地采集转移至计算资源。