图像生成

EditMGT: Unleashing Potentials of Masked Generative Transformers in Image Editing

EditMGT: 解锁屏蔽生成变压器在图像编辑中的潜力

Wei Chow, Linfeng Li, Lingdong Kong, Zefeng Li, Qi Xu, Hang Song, Tian Ye, Xian Wang, Jinbin Bai, Shilin Xu, Xiangtai Li, Junting Pan, Shaoteng Liu, Ran Zhou, Tianshu Yang, Songhua Liu

机构 * National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 图像编辑 ：image editing(title,abstract)；text-to-image(abstract)；diffusion(abstract)；分类 cs.CV、cs.MM

AI总结 本文提出EditMGT框架，利用Masked Generative Transformers实现局部化编辑，通过多层注意力整合和区域保持采样提升编辑精度与效率，实验表明其在编辑质量和速度上优于现有方法。

ChordEdit: One-Step Low-Energy Transport for Image Editing

ChordEdit: 图像编辑中的一步低能耗传输

Liangsi Lu, Xuhang Chen, Minzhe Guo, Shichu Li, Jingchao Wang, Yang Shi

机构 * Guangdong University of Technology（广东工业大学） ； Huizhou University（惠州大学） ； Shenzhen University（深圳大学） ； Peking University（北京大学） 纠错

专题命中 图像编辑 ：image editing(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出ChordEdit，一种无需训练和反向传播的图像编辑方法，通过动态最优传输理论实现低能耗、高精度的一步编辑，解决传统方法在图像编辑中出现的失真和不一致性问题。

Comments Accepted by CVPR 2026

NeXT-IMDL: Build Benchmark for NeXT-Generation Image Manipulation Detection & Localization

NeXT-IMDL：构建下一代图像篡改检测与定位的基准测试

Yifei Li, Haoyuan He, Yu Zheng, Bingyao Yu, Wenzhao Zheng, Lei Chen, Jie Zhou, Jiwen Lu

专题命中 图像编辑 ：image editing(abstract)；分类 cs.CV

AI总结 本文提出NeXT-IMDL基准测试，通过系统性评估揭示现有图像篡改检测模型在多样化的现实场景中的局限性，推动构建更稳健的下一代检测模型。

Comments Duplicate experiment results in Table 3 (Set-1 & Set-2)

GaINeR: Geometry-Aware Implicit Network Representation

GaINeR：基于几何的隐式神经表示

Weronika Jakubowska, Mikołaj Zieliński, Rafał Tobiasz, Krzysztof Byrski, Maciej Zięba, Dominik Belter, Przemysław Spurek

机构 * Wrocław University of Science and Technology（沃拉夫大学科学与技术学院） ； Poznań University of Technology（波兹南技术大学） ； IDEAS Research Institute（IDEAS研究所） ； Jagiellonian University（雅盖隆大学） 纠错

专题命中 图像编辑 ：image editing(abstract)；分类 cs.CV

AI总结 GaINeR结合可训练高斯分布与神经网络，实现具有可解释几何结构的连续图像表示，支持几何一致变换、超分辨率和物理模拟集成，提升图像编辑的灵活性和物理一致性。

Comments 22 pages, 16 figures