DRIFT:通过强化微调缓解图像生成中的多样性坍缩
针对扩散和流模型强化微调中策略坍缩为狄拉克δ分布的问题,提出DRIFT框架以激励输出多样性。 该框架通过采样过滤奖励异常值、提示词随机变化及组内多样性奖励重塑三个层面解决问题。 实验显示DRIFT在保持对齐度时多样性提升3.88%–81.42%,代码已开源。
针对扩散和流模型强化微调中策略坍缩为狄拉克δ分布的问题,提出DRIFT框架以激励输出多样性。 该框架通过采样过滤奖励异常值、提示词随机变化及组内多样性奖励重塑三个层面解决问题。 实验显示DRIFT在保持对齐度时多样性提升3.88%–81.42%,代码已开源。
跨学科项目“她工作,他工作”通过对比生成式AI中男女建筑工人的图像输出,揭示社会偏见如何体现在AI生成系统中。研究采用融合传统性别特征与非典型场景的提示词,发现AI倾向于强调女性的审美与敏捷性,而将男性与权威感和专业性联系起来。
提出 Wavelet Phase Diffusion 解决相位扩散的全局谱耦合问题,实现结构语义一致的 Sim-to-Real 翻译。 采用 Dual-Tree Complex Wavelet Packet Transform 域和 Low-Frequency Randomization 技术,基于非配对数据训练,支持实例级翻译。
Hexels通过平面六边形表面单元提升3D渲染与重建效率,在34个场景中较2DGS将PSNR提高4.53-7.38 dB,并降低训练显存占用。 其在3D表面重建中较2DGS减少28.9%误差,在6个Tanks and Temples场景中以34.38%的平均F1值达到最优表现。
研究提出结合通道注意力的轻量级 CNN 框架用于皮肤癌二分类,模型参数量 1.95M,准确率 87%。 在 2637 张训练和 660 张测试图像上,ROC AUC 达 0.9475,存储占用仅 7.45MB,参数量和存储空间约为 MobileNet 基线的一半。 通过生成显著性图(saliency maps)直观展示影响模型决策的区域,实现了性能、效率与可解释性的平衡。
研究提出 ReSeed 方法,通过在扩散模型蒸馏的首个去噪步添加种子响应偏差适配器,显著恢复生图多样性,无需微调整个学生模型。 在 4-step FLUX.1-dev 模型上,ReSeed 仅增加 0.00196% 可训练参数,使用 8,000 个提示词-噪声对训练,使 DINO 多样性提升 48.3%。 该方法轻量且数据高效,能在保持视觉质量竞争力的同时,有效解决蒸馏模型初期多样性丢失问题。
研究将解剖地标检测重构为像素级对比表示学习问题,通过匹配密集像素嵌入与地标原型生成更具判别力的热力图。结合全局地标构型中的可学习形状先验消除位置歧义,在AASCE数据集及两个私有数据集上达到最先进的地标准确率和临床参数估计水平。代码和预训练权重已公开,支持脊柱变形严重度估计和术前规划。
提出利用视频基础模型先验的FrameForge,实现统一条件图像生成。 采用Mixture of Temporal Experts (MoTE) 动态选择时间RoPE专家,配合Chain of Temporal Reasoning (CoTR) 通过潜在中间态和推理瓶颈注意力掩码建模条件到目标的转换。
StruPO 提出了一种结构感知提示词编辑器,利用校准场景图作为策略条件化和图像监督的共享表示。它在三个独立 2K 提示词测试集和四个冻结生成骨干网络上,显著改善了忠实度与美感的权衡,并提升了关系保真度。 该策略通过平滑奖励塑形处理接地不确定性,并对每个编辑的多个图像求平均以计算组相对优势。 该方法在图校准后通过单次生成可复用优化文本,无需迭代批评-重写循环。
针对数据不足与类别不平衡,该研究提出综合数据生成策略以提升深度学习模型在橄榄树病害分类中的性能。 采用传统增强、CutMix、MixUp及DCGAN生成合成图像,结合EfficientNetV2B0架构,验证了在平衡类别、增加样本及保持平衡扩展数据集三种场景下分类准确率的显著提升。
微软发布 MAI-Image-2.7-Preview 图像编辑模型,宣布其在全球图像编辑模型中排名第二,仅次于 OpenAI 的 GPT Image 2.5 Sunburst (max)。
研究首次定量关联扩散模型分类器训练与引导对齐,指出控制交叉熵足以控制引导误差。 实现条件 KL 散度为 $\varepsilon^2$ 的分类器,其引导向量均方误差为 $\widetilde O(d \varepsilon)$。 该结果提供了对分类器引导成功的理论解释及选择分类器的指导原则。
CleanGS 是一种无需重新训练即可清理 3D 高斯溅射场景中非目标结构的后期处理方法,在 18 个场景中标准 PSNR 达 19.03 dB,优于 FlashSplat 和 GaussianCut。 该方法通过计算候选视图子集的精确 Pareto 前沿并采用加权 Chebyshev 标量化选择平衡子集,利用三视图中二投票机制保留高斯点;处理阶段中位耗时 20 秒、峰值内存 1.9 GB。
生成式锚定场(GAF)通过学习独立的端点预测器 J(噪声)和 K(数据),直接从线性桥接状态识别端点坐标。该模型解耦了特征学习与端点预测,使用共享主干 $\Phi$ 生成时间条件特征库。
InfoDiffusion 算法为扩散模型增加低维隐变量,通过互信息正则化学习目标,捕获数据的高层变化因素。 该方法学习到的表征解耦且可解释,性能与最先进的生成及对比方法具有竞争力,同时保留高质量样本生成能力,可用于操控生成图像属性。
在有限扩散网络中,图像预测(x-prediction)可避免噪声预测带来的噪声传输负担。 在高斯噪声下,若输入瓶颈秩为 r,噪声预测会产生 d-r 的不可消除去噪误差下限,而图像预测风险有界。 该机制解释了不同预测目标、预处理及模型宽度下的实际生成质量差异。
论文提出FlowVQ,通过联合建模与聚类过程解决VQ-VAE中的码本崩溃问题。 该方法利用轻量级流匹配模型学习潜在空间,传输源分布的分位数分区先验码,并在诱导分布下获取Voronoi质心生成码本。 在图像分词与高精度分词任务中,展示了码本全利用率、可扩展性及表达能力提升。
CMM提出累积边缘匹配目标,通过Wasserstein-2距离优化分布对齐。 该方法将流匹配视为中间边缘分布序列,Shortcut-CSL为其一阶近似。在标准基准上,CMM在相同训练预算下优于现有基线。
研究提出基于模型信息量的缩放定律,揭示扩散模型训练中的非线性记忆与线性泛化两个定性不同的 regime。 该定律量化了模型信息随规模和数据量的变化,并能外推至拟合域之外,指导记忆与样本质量优化。 代码已在 GitHub 公开,为扩散模型的信息论特性提供原理性解释。
ChatGPT Images 2.5 发布后 51.1 小时内收集 3,478 张图片,构建发布期数据集用于评估 6 个冻结检测器。 在 5% 标记率下,各检测器标记率为 3.7% 至 56.4%,低于 GenImage 召回率 42-81 个百分点;保留艺术图误报率为 1.5% 至 96.5%。 数据集支持分析产品过渡期的模型使用情况,已公开发布。
SFMI 提出两阶段白盒模型逆向攻击,利用时间依赖的目标梯度在采样中注入信号。 在 CelebA 数据集身份不相交交叉评估中,针对 ArcFace 目标实现 ACC 0.9248、FID 22.61 和 LPIPS 0.3874。
论文提出免训练的单步推理规则 DAG,通过放大稀疏-稠密注意力差异中检索方向对齐的分量来加速生成,在 FLUX.1、FLUX.2 和 Qwen-Image 等骨干网络上提升了文本对齐与人类偏好评分。 该规则基于 Modern Hopfield 动力学分析,具有弱收缩稳定性,适用于 UNet 和 MMDiT 架构及多步/少步场景,仅需在基础采样器上增加微小单图成本。
FlowHOI 提出一种两阶段流匹配框架,用于生成语义连贯的手物交互(HOI)序列。 该框架通过解耦几何抓取与语义操作,在 GRAB 和 HOT3D 基准上实现了 40 倍推理加速,且物理模拟成功率比最强扩散基线高 1.7 倍。 该成果已被 NeurIPS 2026 接收,并展示了将生成的 HOI 表示重定向至真实灵巧机器人执行管线的可行性。
研究对 16 种检测方法的 23 个预训练变体在 12 个数据集上进行了零样本评估,发现最优检测器平均准确率为 75.0%,而最差者仅为 37.5%。 训练数据对齐导致同架构检测器性能差异达 20%-60%,Flux Dev、Firefly v4 和 Midjourney v7 等现代生成器使多数检测器准确率降至 18%-30%。
研究回顾评估了10个胸片AI分类模型在来自六国的12个数据集上的表现,主要结局为95%敏感度下的特异度。 MAVL和MedKLIP总体特异度最高(0.37),但PPV仅0.18-0.19;在机构队列中,多数模型特异度比公开基准低0.09-0.15。 这表明公开基准性能高估了模型在未见数据上的表现,部署前需进行外部验证。
提出 ToDoPro 方法,在下采样参考图像上执行少量去噪步骤以提取 token 重要性。 通过层级化 token 减少策略,加速推理并降低峰值 GPU 内存,同时提升生成质量。
GMoE-FTI 提出一种基于真实 MoE 机制的通用面部模板反演框架,通过三阶段训练策略生成兼容 StyleGAN3 的统一潜在代码。 该方法独立训练五个映射专家与匹配模块,进行协同推理并端到端联合微调。在 LFW 基准及七种未见模板类型上测试,平均 TAR 提升 40%,FAPD 与 FAPC 各降低 2%。
VaLoP通过在未来采样步骤计算价值并回拉梯度,解决了高噪声状态下价值梯度估计不准确的问题。 该方法使用一次向量-雅可比积计算校正项,VaLoP-Fast通过小型头部摊销该成本。 在LIBERO和RoboCasa基准测试中,VaLoP-Fast实现了最高的机器人策略成功率。
Autosomal.ai 上线免费 AI 面部分析工具,用户上传自拍即可估算年龄、性别及面部相似的世界区域。 该工具无需注册,支持 JPG、PNG 或 WebP 格式图片,要求照片清晰、光线充足且无滤镜或墨镜。
Dola AI 发布面向艺术家的浏览器端视觉控制工具,将图像编辑、场景合成、视频时间轴和参考板整合为单一工作区。 该工具支持通过 2D 分层和 3D 场景放置预先构图,再提交生成任务;3D 世界使用 World Labs Marble 技术,音频和对象生成使用 Fal 模型。 本地编辑、项目保存和调整构图不消耗生成积分,完整结果绑定在用户账户。
国产AI 3D团队Hi3D正式发布可商用的V3.0模型,将几何分辨率提升至2048³,并面向3D创作者推出整合意图理解与多步修改的Hi3D Agent。同时,团队开源了基于Sparc3D架构的Hi3D V1.0模型,通过将训练数据扩充至约200万个资产,实现了在切片成功率达90%的生产级3D打印应用表现,相关代码与权重已在GitHub和Hugging Face全面开放。
推荐理由:Hi3D V1.0 模型及 Hi3D Agent 面向3D创作者开放,为开发者、企业和个人提供可商用的国产高精度AI 3D生成及修改工具。
PoseForge 是一款本地优先的 AI 工作室,利用现有 AI 订阅将身份照片转化为特定姿态的图像。 工具通过嵌入式 PGlite 数据库在本地存储角色、姿态及生成记录,支持 Codex CLI、Google Antigravity 及 ComfyUI 等七种引擎。 用户可在不同提供商间切换而无需重新上传数据,本地计算成本与延迟指标,确保隐私数据不离开机器。
使用 RunPod Flash 替代传统 API,将单张 AI 生成图片成本从 3-4 美分降至 0.00033-0.002 美元。 采用纯 Python 装饰器定义 GPU 端点,利用 SDXL Turbo 等蒸馏模型实现 297ms 推理耗时,架构包含 Cloudflare R2 与 D1 令牌账本。
可灵AI利用Kling 4.0制作AI短片《King Card》,发布后海内外播放量超500万。该作展示了Kling 4.0在动态生成及最多10张关键帧输入上的技术能力,实现了数千张卡牌螺旋环带及红色折纸鸟等复杂视觉奇观。短片通过不同镜头视角塑造感官体验,鼓励创作者探索视觉表达边界。
苹果 iOS 27.2 系统加入谷歌开发的 SynthID 功能,在像素层面嵌入水印识别 AI 图片。使用“图乐园”生成的图像及“Apple 智能”编辑的部分图片均带有此隐藏水印,该技术能抵御裁剪、滤镜和压缩等后期处理,且不影响图片质量。由于 iPhone 无内置检测工具,用户需访问 SynthID Detector 网站进行验证;实测显示大幅修改的图像会带有水印,而小幅修改则不会。
Dave Clayton 将 AI 定位为创意工具而非威胁,认为行业内的竞争者而非 AI 本身会取代现有工作。 他使用 ChatGPT 和 Claude 处理行政事务,并在 Adobe 应用中运行 InDesign AI 助手生成表格,同时主张不独占 AI 生成的最终作品。
PictTool 提供六种照片风格转换工具,如漫画、3D 卡通及复古照片上色。 其功能由 FLUX.1 Kontext Pro、FLUX.2 Dev 及 SDXL 1.0 等模型驱动,并使用 Amazon Rekognition 进行图像安全检查。 购买 80 次编辑需支付 9.90 美元,信用点永不过期。
九家美国模型实验室合计估值约 2.18 万亿美元,而 2025 年收入不足 250 亿美元,文中通过 Anthropic S-1 和 OpenAI 财报数据展示资本如何为高速增长斜率定价。核心实体包括 OpenAI、Anthropic 和 xAI,其中 Anthropic 估值达 9650 亿美元但 2025 年收入仅 45.9 亿美元,xAI 则通过 SpaceX 合并估值 2500 亿美元。
Pixtorium 开放测试版上线,提供原生 AI 图像编辑功能,支持通过 MCP 协议接入 Claude Code、Codex 或 Claude Desktop 等智能体进行交互式编辑,并能在端侧运行 BiRefNet、MobileSAM 等模型完成抠图、背景移除、放大等操作。
summary_zh: iRoomDesign 推出基于真实照片的 AI 房间设计功能,用户上传照片并选择风格后,约 1 分钟内即可在浏览器中生成保留原有结构(如墙壁、窗户、实际尺寸)的重设计方案。