图像生成

Exploring Disentangled and Controllable Human Image Synthesis: From End-to-End to Stage-by-Stage

探索解耦和可控的人像图像合成：从端到端到分阶段

Zhengwentai Sun, Chenghong Li, Hongjie Liao, Xihe Yang, Keru Zheng, Heyuan Li, Yihao Zhi, Shuliang Ning, Shuguang Cui, Xiaoguang Han

机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（科学与工程学院，香港中文大学（深圳）） ； Future Network of Intelligence Institute, CUHK-Shenzhen（智能网络研究院，CUHK-深圳） 纠错

专题命中 可控生成 ：image synthesis(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 本文提出一种解耦可控的人像合成任务，通过分阶段框架提升可控性和泛化能力，优于端到端模型，适用于真实场景。

Comments A new version with additional experiments

In-the-Wild Camouflage Attack on Vehicle Detectors through Controllable Image Editing

真实场景中通过可控图像编辑实施车辆检测器的伪装攻击

Xiao Fang, Yiming Gong, Stanislav Panev, Celso de Melo, Shuowen Hu, Shayok Chakraborty, Fernando De la Torre

机构 * Carnegie Mellon University（卡内基梅隆大学） ； DEVCOM Army Research Laboratory（陆军研究实验室） ； Florida State University（佛罗里达州立大学） 纠错

专题命中 可控生成 ：image editing(title)；分类 cs.CV

AI总结 本文提出了一种将车辆伪装攻击视为条件图像编辑问题的新框架，通过图像级和场景级生成策略提升攻击效果，实验表明其在COCO和LINZ数据集上显著降低检测器性能，同时保持车辆结构和提升人类感知的隐蔽性。

Comments 45 pages, 35 figures

Controllable Text-to-Motion Generation via Modular Body-Part Phase Control

通过模块化身体部位相控实现可控的文本到运动生成

Minyue Dai, Ke Fan, Anyi Rao, Jingbo Wang, Bo Dai

机构 * Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； HKUST（香港科技大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） 纠错

专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出模块化身体部位相控方法，通过紧凑的标量相界面实现局部化编辑，保留运动整体一致性，提供可控的文本到运动生成方案。

Toward High-Fidelity Visual Reconstruction: From EEG-Based Conditioned Generation to Joint-Modal Guided Rebuilding

迈向高保真视觉重建：从基于EEG的条件生成到联合模态引导重建

Zhijian Gong, Tianren Yao, Wenjia Dong, Xueyuan Xu

机构 * Beijing University of Technology, Beijing（北京理工大学） ； Beijing Key Laboratory of Computational Intelligence and Intelligent System, Beijing（北京计算智能与智能系统重点实验室） 纠错

专题命中 可控生成 ：image generation(abstract)；分类 cs.CV

AI总结 本文提出联合模态视觉重建框架，通过独立学习EEG和文本信息，提升EEG特征的重建能力，结合多尺度编码和图像增强，实现高保真视觉重建。

SeeClear: Reliable Transparent Object Depth Estimation via Generative Opacification

SeeClear: 通过生成性消透明实现可靠的透明物体深度估计

Xiaoying Wang, Yumeng He, Jingkai Shi, Jiayin Lu, Yin Yang, Ying Jiang, Chenfanfu Jiang

专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV

AI总结 SeeClear通过生成性消透明技术，将透明物体转换为几何一致的不透明图像，从而提升单目深度估计的稳定性与准确性。

Comments Project page: https://heyumeng.com/SeeClear-web/. 19 pages, 12 figures