视觉与机器人
图像生成、文生图、图像编辑、扩散模型和可控生成。
无需训练的生成视频检测方法：时空似然方法
机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出STALL方法，通过时空似然建模实现无需训练的视频合成检测，优于传统图像和视频检测方法。
Comments Accepted to CVPR 2026
立体世界模型：基于摄像头的立体视频生成
机构 * The University of Hong Kong（香港大学） ； VAST ； ByteDance Pico（字节跳动Pico）
专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV
AI总结 本文提出StereoWorld，一种基于摄像头的立体世界模型，通过联合学习外观和双眼几何实现端到端的立体视频生成。该模型在RGB模态中操作，直接从视差中获取几何信息，通过统一的相机帧RoPE和立体感知注意力分解提升生成效率和一致性。
Comments Project Page: https://sunyangtian.github.io/StereoWorld-web/
MosaicMem: 用于可控视频世界模型的混合空间记忆
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； The University of Osaka（大阪大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Mujin Inc.（Mujin公司） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Taiyuan University of Technology（太原本科技大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 MosaicMem提出一种混合空间记忆方法，通过提升片段至3D实现可靠定位与检索，结合模型原生条件化保留提示生成，提升姿态一致性与动态建模能力，支持细粒度导航与场景编辑。
Comments Project Page: https://mosaicmem.github.io/mosaicmem/
S-VAM：通过自蒸馏几何和语义前瞻性构建快捷视频动作模型
机构 * The Hong Kong University of Science ； Technology (Guangzhou) Huawei Foundation Model Department
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 S-VAM通过自蒸馏策略实现单次前向传递生成几何和语义表示，提升动作预测效率，实验证明在复杂环境中优于现有方法。
M3DLayout：一个多源的3D室内布局及结构描述数据集用于3D生成
机构 * Tsinghua University（清华大学） ； Beihang University（北京航空航天大学） ； Migu Beijing Research Institute（咪咕北京研究院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出M3DLayout数据集，包含21367个布局和433k个物体实例，整合真实扫描、专业CAD设计和程序生成场景，为3D生成模型提供多样化的空间和语义学习基础。
Comments CVPR 2026; Project Page: https://graphic-kiliani.github.io/M3DLayout/
将代理笼中：面向医疗AI自主系统的零信任安全架构
机构 * VP of Trust, Commure（Commure 职务负责人） ； Founder & CEO, nFactor Technologies（nFactor Technologies 创始人及首席执行官）
专题命中 可控生成 ：image generation(abstract)
AI总结 本文提出零信任安全架构，用于医疗AI自主代理，通过多层防御机制解决代理在医疗环境中存在的关键安全漏洞，包括凭证泄露、执行能力滥用等，并开源相关配置和工具。
Comments Keywords: agentic AI security, autonomous agents, healthcare cybersecurity, zero trust, prompt injection, HIPAA, Kubernetes security, OpenClaw
SkyReels-V4：多模态视频-音频生成、修复和编辑模型
机构 * Skywork AI
专题命中 图像修复 ：inpainting(title,abstract)；diffusion(abstract)；分类 cs.CV
AI总结 SkyReels-V4是一款多模态视频基础模型，支持视频音频生成、修复和编辑，采用双流多模态扩散变换器架构，结合文本编码器实现多模态指令处理，支持高分辨率、长时长视频生成。
VisionNVS: 一种基于虚拟位移范式的自监督补全方法用于新型视角合成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Hohai University（河海大学） ； COWARobot Co. Ltd.（COWARobot有限公司）
专题命中 图像修复 ：inpainting(title,abstract)；分类 cs.CV
AI总结 本文提出VisionNVS，通过引入虚拟位移策略，将视角合成问题转化为自监督补全任务，利用单目深度代理模拟遮挡模式，提升自动驾驶中新型视角合成的几何精度和视觉质量。
联合退化感知任意尺度超分辨率用于可变速率极值图像压缩
机构 * School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（上海交通大学信息科学与电子工程学院） ； Department of Electronic Engineer and Information Science, University of Science and Technology of China（中国科学技术大学电子工程与信息科学系） ； MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能教育部重点实验室）
专题命中 图像修复 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出ASSR-EIC框架，利用任意尺度超分辨率支持可变速率极值图像压缩，通过联合退化感知解码器实现率自适应重建，提升低比特率下的图像恢复质量。
Comments Accepted by IEEE Transactions on BroadCasting
TechImage-Bench: 基于评分标准的技术图像生成评估
机构 * Hong Kong Polytechnic University（香港理工大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Microsoft Project Website（微软项目网站）
专题命中 图像生成评测 ：image generation(title,abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 本文提出TechImage-Bench，通过评分标准评估技术图像生成，发现现有模型在科学准确性上存在显著差距，并展示评分标准对改进图像生成的监督作用。
EdiVal-Agent：一个面向多轮编辑自动细粒度评估的对象中心框架
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Microsoft AI Superintelligence（微软人工智能超智实验室） ； Lambda, Inc（Lambda公司）
专题命中 图像生成评测 ：diffusion(abstract)；image editing(abstract)；分类 cs.CV
AI总结 本文提出EdiVal框架，通过对象中心视角实现多轮编辑的细粒度评估，引入EdiVal-IF、EdiVal-CC和EdiVal-VQ三个指标，构建多轮编辑基准测试平台，用于识别现有编辑模型的失败模式。
Comments Tianyu Chen and Yasi Zhang contributed equally; Oscar Leong, Lijuan Wang, Ying Nian Wu, and Mingyuan Zhou advised equally
UniSAFE：统一多模态模型安全评估的综合基准
机构 * KAIST AI（KAIST人工智能研究院） ； Department of Computer Science and Engineering, UNIST（UNIST计算机科学与工程系） ； Department of Mathematical Sciences, KAIST（KAIST数学科学系） ； University of Toronto（多伦多大学） ； KAIST CS（KAIST计算机科学系）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出UniSAFE基准，用于评估统一多模态模型的系统级安全性，发现多图像生成任务比文本生成任务更易出现安全漏洞。
Comments Equal contribution by first three authors, 55 pages
PhysQuantAgent: 一种用于视觉-语言模型的物体质量估计推断流水线
机构 * The University of Tokyo（东京大学） ； Institute of Science Tokyo（东京科学研究院） ； National Institute of Informatics（信息处理技术研究所）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出PhysQuantAgent框架和VisPhysQuant基准数据集，通过引入三种视觉提示方法提升视觉-语言模型对真实物体质量的估计精度。
Comments Code and dataset will be available at https://github.com/hisasnow/PhysQuantAgent
基于EEG的脑-大语言模型接口用于人类偏好对齐生成
机构 * Shandong University, China（山东大学） ； Australian National University, Australia（澳大利亚国立大学） ； Curtin University, Australia（Curtin大学）
专题命中 图像生成评测 ：image generation(abstract)
AI总结 本文提出基于EEG的脑-大语言模型接口，通过EEG信号引导图像生成模型，利用神经信号反馈实现模型动态适应，为适应性语言模型推理提供新思路。
Comments 15 pages, 9 figures
即时加速：扩散变换器的无训练空间加速
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Capital Normal University（首都师范大学）
专题命中 效率与蒸馏 ：diffusion(title,abstract)；image synthesis(abstract)；分类 cs.CV
AI总结 本文提出JiT框架，通过空间域加速解决扩散变换器的高计算成本问题，实现7倍加速且性能接近无损，优于现有方法。
Comments Accepted by CVPR2026. Project Page: https://wenhao-sun77.github.io/JiT/
通过实例感知离散化实现少步扩散采样
机构 * Westlake University（西湖大学） ； Tongji University（同济大学） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学）
专题命中 效率与蒸馏 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出实例感知离散化框架，通过输入依赖先验调整时间步分配，提升生成质量，减少训练和推理开销。
Comments 24 pages, 20 figures. code: https://github.com/851695e35/INDIS
高效扩散作为低光照增强器
机构 * Northwestern Polytechnical University（西北工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； TeleAI
专题命中 效率与蒸馏 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出ReDDiT框架，通过线性外推错误分数函数和迁移高斯流到反射感知残差空间，提升低光照图像增强效率，仅用2步即可达到SOTA效果。
Comments CVPR 2025 Camera Ready
VectorWorld: 通过向量图上的扩散流实现高效的流式世界模型
机构 * University of Cambridge, Cambridge, United Kingdom（剑桥大学）
专题命中 效率与蒸馏 ：diffusion(title)；分类 cs.CV
AI总结 VectorWorld通过向量图上的扩散流实现高效的流式世界模型，解决了自动驾驶政策闭环评估中的初始化不匹配、采样延迟和运动可行性问题，提升了地图结构精度和闭环运行稳定性。
Comments Under Review
生成模型从损坏数据中学习：超越加速的分数蒸馏
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft AI Superintelligence（微软人工智能超级智能）
专题命中 效率与蒸馏 ：diffusion(abstract)；inpainting(abstract)
AI总结 本文提出RSD框架，通过预训练腐蚀感知扩散教师模型并蒸馏出高效单步生成器，实现高保真生成模型，适用于图像修复、超分辨率等任务，实验显示在多个数据集上FID均优于传统方法。
Comments This paper merges DSD(Denoising Score Distillation) and RSD(Restoration Score Distillation)v1. Tianyu Chen and Yasi Zhang contributed equally; Oscar Leong and Mingyuan Zhou advised equally
AvatarForcing：通过局部-未来滑动窗口去噪实现一步流式谈话 avatars
机构 * Zhejiang University（浙江大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Tsinghua University（清华大学）
专题命中 效率与蒸馏 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出AvatarForcing，一种一步流式扩散框架，通过局部-未来滑动窗口去噪实现高实时性谈话 avatars，实验证明其在34ms/帧下具备高质量视觉和唇同步性能。
基于对抗自蒸馏的单步因果视频生成
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tencent YouTu Lab（腾讯优图实验室） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）
专题命中 效率与蒸馏 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出基于蒸馏的高效因果视频生成框架，通过对抗自蒸馏策略提升生成质量，结合首帧增强策略减少误差传播，实验表明在单步和双步视频生成中优于现有方法。
Comments Published as a conference paper at ICLR 2026
快速波束-脑暴：基于灵活探测的少步生成式波束成形
专题命中 效率与蒸馏 ：diffusion(abstract)
AI总结 本文提出快速波束-脑暴方法，通过两阶段蒸馏策略实现快速生成高保真通信波束，减少生成成本并适应灵活的信道探测长度。
早量化缩小代码表：一种维持多样性token化问题的简单修复
机构 * National University of Singapore（国立新加坡大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 效率与蒸馏 ：diffusion(abstract)
AI总结 本文研究了向量量化中的坍塌问题，发现随机初始化和编码器容量限制导致token和嵌入坍塌，并提出缓解方案，是首次系统探讨该问题。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈