图像生成

Draw-In-Mind: Rebalancing Designer-Painter Roles in Unified Multimodal Models Benefits Image Editing

Draw-In-Mind: 在统一多模态模型中重新平衡设计师-画家角色有助于图像编辑

Ziyun Zeng, David Junhao Zhang, Wei Li, Mike Zheng Shou

机构 * Show Lab, National University of Singapore（新加坡国立大学Show Lab） ； TikTok 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Draw-In-Mind模型，通过重新分配设计职责提升图像编辑性能，展示了在统一多模态模型中平衡理解与生成模块的重要性。

Comments ICLR 2026 Camera Ready Version; Add more discussions and fix typos

SurFITR: A Dataset for Surveillance Image Forgery Detection and Localisation

SurFITR：用于监控图像伪造检测与定位的数据集

Qizhou Wang, Guansong Pang, Christopher Leckie

机构 * The University of Melbourne（墨尔本大学） ； Singapore Management University（新加坡管理大学） 纠错

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

AI总结 SurFITR数据集旨在解决监控场景中伪造检测与定位的挑战，通过多模态LLM生成大量高质量伪造图像，提升检测模型在不同场景下的性能。

EvoFlows: Evolutionary Edit-Based Flow-Matching for Protein Engineering

EvoFlows：基于进化编辑的蛋白质工程流匹配

Nicolas Deutschmann, Constance Ferragu, Jonathan D. Ziegler, Shayan Aziznejad, Eli Bixby

机构 * Cradle Zürich, CH（Cradle 苏黎世，瑞士） 纠错

专题命中 图像编辑 ：diffusion(abstract)

AI总结 EvoFlows通过编辑流学习蛋白质序列间的突变轨迹，实现可控的插入、删除和替换操作，生成与自然蛋白家族一致的变异体，优于现有方法。

Comments Accepted at Workshop on Foundation Models for Science: Real-World Impact and Science-First Design, ICLR 2026