图像生成

A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy

基于WDLoRA的多模态生成框架用于临床指导的糖尿病性周围神经病变角膜共聚焦显微镜图像合成

Xin Zhang, Liangxiu Han, Tam Sobeih, Yue Shi, Yalin Zheng, Uazman Alam, Maryam Ferdousi, Rayaz Malik

机构 * Department of Computing and Mathematics, Manchester Metropolitan University（曼彻斯特 Metropolitan 大学计算与数学系） ； Department of Eye and Vision Sciences, University of Liverpool（利物浦大学眼科学与视觉科学系） ； Faculty of Biology, Medicine and Health, University of Manchester（曼彻斯特大学生物、医学与健康学院） ； Department of Medicine, Weill Cornell Medicine-Qatar（韦尔·柯尔曼医学中心-卡塔尔医学系） 纠错

专题命中 文生图 ：image synthesis(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出基于WDLoRA的多模态生成框架，用于生成糖尿病性周围神经病变的角膜共聚焦显微镜图像，通过结合神经分割掩膜和疾病特异性临床提示，提升图像合成的解剖学一致性与临床诊断准确性。

Unbiased Object Detection Beyond Frequency with Visually Prompted Image Synthesis

超越频率的无偏目标检测：基于视觉提示的图像合成

Xinhao Cai, Liulei Li, Gensheng Pei, Tao Chen, Jinshan Pan, Yazhou Yao, Wenguan Wang

机构 * Nanjing University of Science and Technology（南京理工大学） ； Zhejiang University（浙江大学） ； Department of Electrical and Computer Engineering, Sungkyunkwan University（成均馆大学电子与计算机工程系） ； State Key Laboratory of Intelligent Manufacturing of Advanced Construction Machinery（先进施工机械智能制造国家重点实验室） 纠错

专题命中 文生图 ：image synthesis(title,abstract)；分类 cs.CV

AI总结 本文提出基于生成的去偏框架，通过视觉提示图像合成解决目标检测中的偏见问题，改进了稀有类别的性能，提升了生成图像的布局准确性。

Comments Accepted by ICLR2026

Generate Any Scene: Scene Graph Driven Data Synthesis for Visual Generation Training

生成任意场景：基于场景图的数据合成用于视觉生成训练

Ziqi Gao, Weikai Huang, Jieyu Zhang, Aniruddha Kembhavi, Ranjay Krishna

机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） 纠错

专题命中 文生图 ：text-to-image(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出Generate Any Scene，通过系统生成场景图来合成高质量数据，用于提升视觉生成模型的合成能力与语义对齐。

Comments ICLR 2026

Meta-TTRL: A Metacognitive Framework for Self-Improving Test-Time Reinforcement Learning in Unified Multimodal Models

Meta-TTRL：一种用于统一多模态模型中自改进测试时间强化学习的元认知框架

Lit Sin Tan, Junzhe Chen, Xiaolong Fu, Lichen Ma, Junshi Huang, Jianzhong Shi, Yan Li, Lijie Wen

机构 * Tsinghua University（清华大学） 纠错

专题命中 文生图 ：text-to-image(abstract)

AI总结 Meta-TTRL通过元认知信号实现测试时间参数优化，提升统一多模态模型的自改进能力，在文本到图像生成任务中取得显著成果。

Comments 8 pages

TAUE: Training-free Noise Transplant and Cultivation Diffusion Model

TAUE：无需训练的噪声移植与培育扩散模型

Daichi Nagai, Ryugo Morita, Shunsuke Kitada, Hitoshi Iyatomi

机构 * Faculty of Science and Engineering, Hosei University（恒河大学科学与工程学院） ； RPTU Kaiserslautern-Landau & DFKI GmbH（凯撒斯劳滕-兰道大学与DFKI GmbH） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)；text-to-image(abstract)；分类 cs.CV、cs.GR

AI总结 TAUE提出无需训练的噪声移植与培育扩散模型，通过嵌入全局结构信息和语义线索，实现多层图像生成，提升跨层一致性并支持新应用。

Comments Accepted to CVPR 2026 Findings. The first two authors contributed equally. Project Page: https://iyatomilab.github.io/TAUE

Time-Annealed Perturbation Sampling: Diverse Generation for Diffusion Language Models

时间退火扰动采样：扩散语言模型的多样化生成

Jingxuan Wu, Zhenglin Wan, Xingrui Yu, Yuzhe Yang, Yiqiao Huang, Ivor Tsang, Yang You

机构 * The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； National University of Singapore（新加坡国立大学） ； CFAR, Agency for Science, Technology and Research（科技研究局CFAR） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Harvard University（哈佛大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)

AI总结 本文提出时间退火扰动采样方法，通过在扩散过程中早期鼓励语义分支并逐步减少扰动，提升生成多样性，同时保持生成质量。

Diffusion Models for Joint Audio-Video Generation

用于联合音频视频生成的扩散模型

Alejandro Paredes La Torre

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV、cs.MM

AI总结 本文提出联合音频视频生成方法，通过构建高质量数据集、训练MM-扩散架构、探索联合潜在扩散及提出两步文本到音频视频生成流程，提升生成质量与一致性。

Diffusion-DRF: Free, Rich, and Differentiable Reward for Video Diffusion Fine-Tuning

Diffusion-DRF：免费、丰富且可微的奖励用于视频扩散微调

Yifan Wang, Yanyu Li, Gordon Guocheng Qian, Sergey Tulyakov, Yun Fu, Anil Kag

机构 * Northeastern University（东北大学） ； Snap Inc.（Snap公司） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出Diffusion-DRF框架，通过多维问题和密集VQA解释查询生成丰富反馈，实现稳定奖励微调，无需偏好数据集。

Comments Webpage: https://snap-research.github.io/diffusion-drf/

Semi-supervised Latent Disentangled Diffusion Model for Textile Pattern Generation

半监督潜在解耦扩散模型用于纺织图案生成

Chenggong Hu, Yi Wang, Mengqi Xue, Haofei Zhang, Jie Song, Li Sun

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出SLDDM-TPG方法，通过潜在解耦网络和半监督扩散模型生成高保真的纺织图案，有效解决服装与纹理混淆问题。

Comments 9 pages, 7 figures, acceptted by AAAI2026, the code is available at https://github.com/Cg-Hu/SLDDM-TPG

When Generative Augmentation Hurts: A Benchmark Study of GAN and Diffusion Models for Bias Correction in AI Classification Systems

生成增强有害：GAN和扩散模型在AI分类系统中的偏见校正基准研究

Shesh Narayan Gupta, Nik Bear Brown

机构 * College of Engineering, Northeastern University（东北大学工程学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文通过对比三种增强策略，发现生成增强在低数据条件下会增加分类器偏见，Stable Diffusion结合LoRA表现最佳，揭示了GAN增强在特定样本量下的有害性。

Closed-Loop Action Chunks with Dynamic Corrections for Training-Free Diffusion Policy

闭环动作块与动态修正的训练无关扩散策略

Pengyuan Wu, Pingrui Zhang, Zhigang Wang, Dong Wang, Bin Zhao, Xuelong Li

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） ； Institute of Artificial Intelligence, China Telecom Corp Ltd（中国电信人工智能研究院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出DCDP框架，结合动作块生成与实时修正，提升动态场景下的适应性，无需重新训练，计算量仅增加5%，在动态PushT模拟中适应性提升19%。

Comments Accepted by ICRA2026

3M-TI: High-Quality Mobile Thermal Imaging via Calibration-free Multi-Camera Cross-Modal Diffusion

3M-TI: 通过无校准多相机跨模态扩散实现高质量移动热成像

Minchong Chen, Xiaoyun Yuan, Junzhe Wan, Jianing Zhang, Jun Zhang

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能联合实验室，人工智能研究院，上海交通大学） ； School of Computer Science, Shanghai Jiao Tong University（计算机科学学院，上海交通大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出3M-TI，一种无需校准的多相机跨模态扩散框架，通过跨模态自注意力模块提升热成像的分辨率和细节，验证其在实际应用中的优越性能。

Comments Accepted by CVPR 2026, Code: https://github.com/work-submit/3MTI, Project page: https://lab.xiaoyunyuan.net/index.html?project=3m-ti

Supervised Diffusion-Model-Based PET Image Reconstruction

基于监督扩散模型的PET图像重建

George Webber, Alexander Hammers, Andrew P King, Andrew J Reader

机构 * School of Biomedical Engineering 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出一种监督扩散模型算法，用于PET图像重建，通过强制PET的泊松似然模型非负性和适应PET图像的宽动态范围，实验表明其在不同剂量水平下优于现有深度学习方法，并展示了模型组件的优越性及对训练数据和参数的影响。

Comments 12 pages, 6 figures. Submitted to MICCAI 2025, not peer-reviewed

BridgeShape: Latent Diffusion Schrödinger Bridge for 3D Shape Completion

BridgeShape: 基于潜在扩散的Schrödinger桥用于3D形状补全

Dequan Kong, Honghua Chen, Zhe Zhu, Mingqiang Wei

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 BridgeShape通过将形状补全建模为最优传输问题，并引入深度增强的向量量化变分自编码器，实现高效且高保真的3D形状补全。

Comments Accepted by AAAI2026

Memorization to Generalization: Emergence of Diffusion Models from Associative Memory

记忆与泛化：从联想记忆中涌现的扩散模型

Bao Pham, Gabriel Raya, Matteo Negri, Mohammed J. Zaki, Luca Ambrogioni, Dmitry Krotov

机构 * Department of Computer Science, Rensselaer Polytechnic Institute ( RPI )（计算机科学系，罗切斯特理工学院（RPI）） ； Jheronimus Academy of Data Science, Tilburg University（数据科学学院，蒂尔堡大学） ； Department of Physics, University of Rome Sapienza（物理系，罗马萨皮恩扎大学） ； Donders Institute for Brain, Cognition, and Behaviour, Radboud University（大脑、认知与行为研究所，拉德堡德大学） ； IBM Research（IBM研究院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文从联想记忆视角分析扩散模型，发现其在小数据时形成独特吸引子，随着数据量增加从记忆转向泛化，识别出关键的虚假状态作为生成能力的早期标志。

Physics-Informed Video Diffusion For Shallow Water Equations

基于物理的视频扩散用于浅水方程

Yang Bai, George Eskandar, Ziyuan Liu, Gitta Kutyniok

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.GR

AI总结 本文提出一种结合物理约束的视频扩散框架，直接在生成过程中整合物理定律，实现同时预测物理状态和真实视频，提升生成视频的物理合理性和效率。

Comments 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing

CardioComposer: Leveraging Differentiable Geometry for Compositional Control of Anatomical Diffusion Models

CardioComposer：利用可微几何实现解剖扩散模型的组合控制

Karim Kadry, Shoaib Goraya, Ajay Manicka, Abdalla Abdelwahed, Naravich Chutisilp, Farhad Nezami, Elazer Edelman

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brigham and Women’s Hospital（布里奇沃特医院） ； American University in Cairo（开罗美国大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 CardioComposer通过可微几何实现对解剖扩散模型的组合控制，利用可解释的椭球体原语生成多类解剖标签图，通过可微测量函数实现几何属性的约束与控制。

Comments 10 pages, 16 figures

RaDAR: Relation-aware Diffusion-Asymmetric Graph Contrastive Learning for Recommendation

RaDAR: 关系感知的扩散非对称图对比学习用于推荐系统

Yixuan Huang, Jiawei Chen, Shengfan Zhang, Zongsheng Cao

机构 * University of Electronic Science and Technology of China（电子科技大学） ； National University of Defense Technology（国防科技大学） ； Tsinghua University（清华大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 RaDAR通过结合图生成模型和关系感知去噪模型，解决图对比学习中边扰动和数据稀疏的问题，提升推荐系统在噪声和稀疏条件下的性能。

Comments 12 pages, 5 figures. Accepted at WWW 2026

Journal ref Proceedings of the ACM Web Conference (WWW), 2026

pADAM: A Plug-and-Play All-in-One Diffusion Architecture for Multi-Physics Learning

pADAM：一种多物理学习的插件式一体化扩散架构

Amirhossein Mollaali, Bongseok Kim, Christian Moya, Guang Lin

机构 * School of Mechanical Engineering, Purdue University（普渡大学机械工程学院） ； Department of Mathematics, Purdue University（普渡大学数学系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 pADAM通过学习共享的概率先验，统一解决多物理方程族的预测与反推问题，实现单架构无需重新训练的跨物理领域推理与不确定性量化。

Comments 36 pages, 10 figures

DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning

DynHD: 通过去噪动态偏差学习检测扩散大语言模型的幻觉

Yanyu Qian, Yue Tan, Yixin Liu, Wang Yu, Shirui Pan

机构 * Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Griffith University, Australia（澳大利亚格里菲斯大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出DynHD，通过空间和时间视角解决扩散大语言模型幻觉检测中的信息密度不均和去噪动态建模问题，采用语义感知证据构造模块和偏差检测器提升检测性能。

Comments 15 pages, 8 figures, 5 tables

Robust Physics-Guided Diffusion for Full-Waveform Inversion

鲁棒的物理引导扩散用于全波形反演

Jishen Peng, Enze Jiang, Zheng Ma, Xiongbin Yan

机构 * School of Mathematical Sciences, Shanghai Jiao Tong University, Shanghai, China（上海交通大学数学科学学院） ； Institute of Natural Sciences, MOE-LSC, Shanghai Jiao Tong University, Shanghai, China（上海交通大学自然科学院） ； Qing Yuan Research Institute, Shanghai Jiao Tong University, Shanghai, China（上海交通大学清元研究院） ； CMA-Shanghai, Shanghai Jiao Tong University, Shanghai, China（上海交通大学上海计算机应用研究所） ； School of Mathematics and Statistics, Lanzhou University, Lanzhou, China（兰州大学数学与统计学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出一种鲁棒的物理引导扩散框架，结合生成先验与通过波动方程模拟计算的似然引导，通过波动场增强和观测依赖归一化提升抗幅度不平衡和时间/相位偏移能力，实验表明在同等计算预算下优于确定性优化基线和标准扩散后验采样。

Encoding Predictability and Legibility for Style-Conditioned Diffusion Policy

为风格条件扩散策略编码可预测性和可读性

Adrien Jacquet Crétides, Mouad Abrini, Hamed Rahimi, Mohamed Chetouani

机构 * Institut des Systèmes Intelligents et de Robotique (ISIR), CNRS UMR7222, Inserm ERL U1150, Sorbonne Université, Paris, France（智能系统与机器人研究所（ISIR），法国国家科学研究中心（CNRS）UMR7222，法国国家医学研究院（Inserm）ERL U1150，索邦大学，巴黎，法国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出SCDP框架，通过环境配置约束预训练扩散模型轨迹生成，平衡效率与透明运动，在低歧义场景中保持最优效率，提升可读性。

Comments Submitted to the 18th International Conference on Social Robotics (ICSR 2026)

Fourth-order compact finite difference methods for 2D and 3D nonlinear convection-diffusion-reaction equations

四阶紧致有限差分方法用于二维和三维非线性对流-扩散-反应方程

Qiwei Feng

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出四阶紧致有限差分方法用于求解二维和三维非线性对流-扩散-反应方程，通过简化 stencil 结构提高方法的可实现性和分析效率，同时适用于线性和非线性方程。

Comments 29 pages and 8 figures

Physics-guided diffusion models for inverse design of disordered metamaterials

基于物理的扩散模型用于无序超材料的逆向设计

Ziyuan Xie, Weipeng Xu, Dazhi Zhao, Wenchang Zhang, Daoyang Dong, Bingbing Xu, Ning Liu, Sheng Mao, Tianju Xue

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出基于物理的扩散模型，通过可微物理求解器指导逆向设计生成过程，实现高效灵活的任务自适应生成，展示了在无序超材料逆向设计中的有效性。

Comments 30 pages, 13 figures

Optimizing Density Functional Theory for Strain-Dependent Magnetic Properties of Monolayer MnBi$_2$Te$_4$ with Diffusion Monte Carlo

优化密度泛函理论以研究单层MnBi$_2$Te$_4$的应变依赖磁性性质：扩散蒙特卡洛方法

Jeonghwan Ahn, Swarnava Ghosh, Seoung-Hun Kang, Dameul Jeong, Markus Eisenbach, Young-Kyun Kwon, Fernando A. Reboredo, Jaron T. Krogel, Mina Yoon

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文通过扩散蒙特卡洛方法优化DFT+$U$参数，研究单层MnBi$_2$Te$_4$的应变依赖磁性，发现U值随应变变化而变化，改进了磁性计算的准确性。

Comments An updated version of arXiv:2408.03248

Nonmagnetic Ground State of Rutile RuO$_2$ from Diffusion Quantum Monte Carlo

二氧化钛 rutile 的非磁性基态

Jeonghwan Ahn, Seoung-Hun Kang, Panchapakesan Ganesh, Jaron T. Krogel

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究通过扩散量子蒙特卡洛方法发现 rutile RuO₂ 在原始结构下为非磁性，压缩应变可稳定反铁磁性，解释了实验报告的矛盾。

Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems

粒子到均场多智能体系统中相互作用和扩散核的发现

Giacomo Albi, Alessandro Alla, Elisa Calzola

机构 * Department of Computer Science, University of Verona（威尼斯大学计算机科学系） ； Department of Mathematics, La Sapienza University of Rome（罗马拉维拉大学数学系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种数据驱动框架，通过轨迹数据直接学习多智能体系统中的非局部相互作用和扩散项，无需先验知识。通过随机批采样和均场近似策略，有效重建了相互作用和扩散核。

A preconditioned boundary value method for advection-diffusion equations with half Laplacian via spectrum doubling

一种预条件边界值方法用于具有半拉普拉斯算子的对流-扩散方程

Pu Yuan, Paul Zegeling, Xian-Ming Gu

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出一种预条件边界值方法，用于求解包含半拉普拉斯算子的对流-扩散方程，通过谱倍增方法将半扩散方程转化为一阶倍增系统，并在合适稳定不变子空间中恢复原始半扩散动力学。

Mask Is What DLLM Needs: A Masked Data Training Paradigm for Diffusion LLMs

掩码是DLLM所需：一种用于扩散语言模型的掩码数据训练范式

Linrui Ma, Yufei Cui, Kai Han, Yunhe Wang

机构 * Noah’s Ark Lab, Huawei Montreal, Canada & Beijing, China（华为蒙特利尔实验室及北京） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出信息密度驱动的智能噪声调度器，通过提取信息密集 hubs 并应用互补优先级掩码，将单个训练实例解耦为相互增强的推理和语法样本，提升模型在代码和数学推理任务中的准确率。

Comments Ongoing work

Tackling Over-smoothing on Hypergraphs: A Ricci Flow-guided Neural Diffusion Approach

应对超图上的过平滑问题：一种基于里奇流的神经扩散方法

Mengyao Zhou, Zhiheng Zhou, Xiao Han, Xingqin Qi, Guanghui Wang, Guiying Yan

机构 * Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Mathematics and Statistics, Shandong University（山东大学数学与统计学院） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； School of Mathematics, Shandong University（山东大学数学学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出基于里奇流的超图神经扩散方法，通过调节节点特征演化缓解过平滑问题，实验表明其在多个数据集上表现优异。