图像生成

SCoRe: Clean Image Generation from Diffusion Models Trained on Noisy Images

SCoRe: 从噪声图像训练的扩散模型中生成干净图像

Yuta Matsuzaki, Seiichi Uchida, Shumpei Takezaki

机构 * Kyushu University（九州大学） 纠错

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

AI总结 SCoRe通过频谱截止再生方法，有效抑制生成图像中的高频噪声，提升图像质量，无需重新训练。

Comments Accepted at IJCNN2026

Diffusion Inpainting MIMO-OFDM Channels with Limited Noisy Observations

利用有限噪声观测进行MIMO-OFDM信道扩散修复

Weijie Zhou, Zhaoyang Zhang, Yuzhi Yang, Sen Yan, Zhixian Kong, Merouane Debbah

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

AI总结 本文提出基于扩散模型的MIMO-OFDM信道估计方法，通过条件生成任务修复有限噪声观测，实现高精度信道恢复，实验表明在不同噪声条件下性能提升5dB以上，且在稀疏试点密度下保持高效准确。

DiffHDR: Re-Exposing LDR Videos with Video Diffusion Models

DiffHDR：利用视频扩散模型重新暴露LDR视频

Zhengming Yu, Li Ma, Mingming He, Leo Isikdogan, Yuancheng Xu, Dmitriy Smirnov, Pablo Salamanca, Dao Mi, Pablo Delgado, Ning Yu, Julien Philip, Xin Li, Wenping Wang, Paul Debevec

机构 * Eyeline Labs（Eyeline 实验室） ； Netflix 纠错

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

AI总结 DiffHDR通过视频扩散模型的潜在空间将LDR视频转换为HDR，恢复过曝和欠曝区域的真实细节，提升动态范围和再曝光效果。

Comments 28 pages, 13 figures

OmniPrism: Learning Disentangled Visual Concept for Image Generation

OmniPrism: 学习解耦的视觉概念用于图像生成

Yangyang Li, Daqing Liu, Wu Liu, Allen He, Xinchen Liu, Yongdong Zhang, Guoqing Jin

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

AI总结 OmniPrism通过自然语言引导学习解耦的视觉概念表示，结合扩散模型生成高质量图像，解决多方面概念混淆问题。

Comments WebPage available at https://tale17.github.io/omni/

BlendFusion -- Scalable Synthetic Data Generation for Diffusion Model Training

BlendFusion -- 可扩展的合成数据生成用于扩散模型训练

Thejas Venkatesh, Suguna Varshini Velury

机构 * Samaya AI, Inc.（Samaya AI公司） ； Stanford University（斯坦福大学） ； Independent Researcher（独立研究员） 纠错

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

AI总结 本文提出BlendFusion框架，通过路径追踪生成高质量图像-描述对，构建FineBLEND数据集，并分析其质量及与现有数据集的对比。

TouchAnything: Diffusion-Guided 3D Reconstruction from Sparse Robot Touches

TouchAnything: 从稀疏机器人触碰引导的3D重建

Langzhe Gu, Hung-Jui Huang, Mohamad Qadri, Michael Kaess, Wenzhen Yuan

机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文提出TouchAnything框架，利用预训练的2D视觉扩散模型作为语义和几何先验，从稀疏触觉测量中实现准确的3D重建，优于现有基线方法，支持开放世界中未见过的物体实例重建。

Comments Project Page: https://grange007.github.io/touchanything

Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios

抗退化融合：一种高效的抗退化扩散框架，用于任意退化场景下的多模态图像融合

Yu Shi, Yu Liu, Zhong-Cheng Wu, Juan Cheng, Huafeng Li, Xun Chen

机构 * Department of Biomedical Engineering, Hefei University of Technology（合肥工业大学生物医学工程系） ； Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院） ； School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院） 纠错

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

AI总结 本文提出一种高效的抗退化扩散框架，用于处理多模态图像融合中的复杂退化场景。该框架通过隐式去噪和联合观测模型校正机制，提升了在复杂退化下的融合性能。

Comments Accepted by CVPR 2026

What Matters in Virtual Try-Off? Dual-UNet Diffusion Model For Garment Reconstruction

虚拟试穿中什么重要？用于服装重建的双UNet扩散模型

Loc-Phat Truong, Meysam Madadi, Sergio Escalera

机构 * Computer Vision Center, Spain（西班牙计算机视觉中心） ； Universitat de Barcelona, Spain（西班牙巴塞罗那大学） 纠错

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

AI总结 本文研究了虚拟试穿的逆问题，提出双UNet扩散模型，通过比较生成骨干、条件设计和损失函数，实现了服装重建的先进性能，提升了基线并为未来研究提供见解。

InsEdit: Towards Instruction-based Visual Editing via Data-Efficient Video Diffusion Models Adaptation

InsEdit：通过数据高效的视频扩散模型适应实现基于指令的视觉编辑

Zhefan Rao, Bin Zou, Haoxuan Che, Xuanhua He, Chong Hou Choi, Yanheng Li, Rui Liu, Qifeng Chen

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Celia Research HK ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 本文提出InsEdit，基于HunyuanVideo-1.5构建指令式编辑模型，结合Mutual Context Attention机制，仅需少量视频编辑数据即可实现高质量视频编辑，并支持图像编辑。

Comments 13 pages, 10 figures

Gardening on the Moon: An Advection-Diffusion Model to Guide the Search for Supernova Debris in the Lunar Regolith

月球上种花：一种输运-扩散模型以指导寻找超新星碎片在月球风化层中的搜索

Emily S. Costello, John Ellis, Brian D. Fields, Rebecca Surman, Xilu Wang

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出一个统一的随机模型，用于描述由撞击通量引起的月球风化层中的物质垂直分布，通过预测阿波罗核心样本中活化Fe60的深度剖面，探讨超新星尘埃捕获与本地铁含量无关，并预测可能来自超新星或千新星的r过程物种在月球中的信号。

Comments 5 pages + Supplementary Material, 6 figures

DynFOA: Generating First-Order Ambisonics with Conditional Diffusion for Dynamic and Acoustically Complex 360-Degree Videos

DynFOA: 利用条件扩散生成动态和声学复杂的360度视频的首阶混响

Ziyu Luo, Lin Chen, Qiang Qu, Xiaoming Chen, Yiran Shen

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出DynFOA，通过整合动态场景重建与条件扩散模型，从360度视频生成首阶混响，解决复杂场景中声学效果建模问题，实验表明其在空间准确性、声学保真度等方面优于现有方法。

Comments Accidental duplicate submission. This paper was intended to be a replacement (v2) for arXiv:2602.06846

General Microstructure Factor Analysis of Diffusion MRI in Gray-Matter Predicts Cognitive Scores

扩散磁共振成像在灰质中的微结构因素分析及其对认知分数的预测

Lucas Z. Brito, Ryan P. Cabeen, David H. Laidlaw

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究通过NODDI和PCA分析灰质微结构，发现各向同性体积分数能显著解释个体差异并预测特定认知能力。

Comments 11 pages, 5 figures, 1 table

An optimal-control framework for reaction diffusion systems with application to synthetic developmental biology

用于反应扩散系统的最优控制框架及其在合成发育生物学中的应用

Mohamed Amine Ouchdiri, Hamza Faquir, Saad Benjelloun, Mohamed Adlene Maghenem, Irene Otero-Muras, Adnane Saoud

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种用于耦合反应扩散系统的最优控制框架，通过引入输入和多项式输入增益函数，保证控制系统的合理性，并在哺乳动物细胞中的Nodal-Lefty相互作用模型中验证了其有效性。

The backward problem for a multi-term time-fractional diffusion equation

多项时间分数扩散方程的逆问题

Ravshan Ashurov, Damir Shamuratov

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究多项时间分数扩散方程的逆问题，通过正则化方法证明在光滑数据条件下解的存在性、唯一性和稳定性，并揭示了多项 Mittag-Leffler 函数的渐进行为及解的最优平滑性质。

DRIFT: Harnessing Inherent Fault Tolerance for Efficient and Reliable Diffusion Model Inference

DRIFT：利用固有容错性实现高效可靠的扩散模型推理

Jinqi Wen, Tong Xie, Runsheng Wang, Meng Li

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出DRIFT框架，通过利用扩散模型的固有容错性，提升推理效率和可靠性，实验显示在电压调低时平均节能36%，超频时提速1.7倍且保持生成质量。

Comments 7 pages, 14 figures. Accepted by DAC 2026

PDE-regularized Dynamics-informed Diffusion with Uncertainty-aware Filtering for Long-Horizon Dynamics

具有不确定性感知滤波的PDE正则化动态信息扩散用于长时间跨度动态

Min Young Baeg, Yoon-Yeong Kim

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出PDYffusion框架，结合PDE正则化和不确定性感知预测，通过PDE正则化插值器和UKF预测器实现稳定长时预测，实验表明其在CRPS和MSE上表现优异，且保持稳定的不确定性行为。

Advantage-Guided Diffusion for Model-Based Reinforcement Learning

基于优势的扩散模型用于基于模型的强化学习

Daniele Foffano, Arvid Eriksson, David Broman, Karl H. Johansson, Alexandre Proutiere

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Digital Futures（数字未来） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出AGD-MBRL，通过利用智能体的优势估计引导反向扩散过程，提升长周期回报。采用SAG和EAG两种引导方法，改进了短周期视角下的扩散模型MBRL性能。

Breaking Block Boundaries: Anchor-based History-stable Decoding for Diffusion Large Language Models

打破块边界：基于锚点的历史稳定解码用于扩散大语言模型

Shun Zou, Yong Wang, Zehui Chen, Lin Chen, Chongyang Tao, Feng Zhao, Xiangxiang Chu

机构 * MoE Key Lab of BIPC, University of Science and Technology of China（中国科学技术大学教育部多模态认知与智能系统重点实验室） ； AMAP, Alibaba Group（阿里巴巴集团高德地图） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出AHD解码策略，通过动态锚点实时监控token稳定性，实现跨块高效解码，提升性能与推理效率。

Comments Accepted for ACL 2026

Bias-Constrained Diffusion Schedules for PDE Emulations: Reconstruction Error Minimization and Efficient Unrolled Training

偏置约束的扩散调度用于PDE仿真的：重构误差最小化和高效的展开训练

Constantin Le Cleï, Nils Thuerey, Xiaoxiang Zhu

机构 * Technical University of Munich（慕尼黑工业大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出适应性噪声调度和代理展开训练方法，通过减少重构误差和计算成本提升PDE仿真的短期精度和长期稳定性。

From Navigation to Refinement: Revealing the Two-Stage Nature of Flow-based Diffusion Models through Oracle Velocity

从导航到细化：通过Oracle速度揭示基于流的扩散模型的两阶段本质

Haoming Liu, Jinnuo Liu, Yanhao Li, Liuyang Bai, Yunkai Ji, Yuanhe Guo, Shenji Wan, Hongyi Wen

机构 * Center for Data Science, New York University Shanghai（上海纽约大学数据科学中心） ； New York University（纽约大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文通过分析基于流的扩散模型的边际速度场，揭示其两阶段训练目标，解释了模型在早期阶段的全局布局生成和后期阶段的细节记忆行为，为模型设计和算法改进提供了指导。

Comments Accepted to CVPR 2026 (Findings track); 16 pages, 17 figures

Entropy and diffusion characterize mutation accumulation and biological information loss

熵与扩散表征突变积累与生物信息损失

Stephan Baehr, Hans Baehr

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文通过熵和扩散模型研究生物信息变化，揭示突变积累与寿命的关系，提出熵管理是进化延长寿命的机制。

Comments 2 figures, 2500 words; 12 pages absent supplement

Graph Defense Diffusion Model

图防御扩散模型

Xin He, Wenqi Fan, Yili Wang, Chengyi Liu, Rui Miao, Xin Juan, Xin Wang

机构 * Jilin University（吉林大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出图防御扩散模型(GDDM)，通过扩散模型的去噪能力有效净化受攻击的图数据，保留图结构并增强净化效果，实验显示其在多种对抗攻击中表现优异。

Comments Accepted by The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD 2026)

Bistability of travelling waves and wave-pinning states in a mass-conserved reaction-diffusion system: From bifurcations to implications for actin waves

行波与波固定状态在质量守恒反应扩散系统中的双稳性：从分支到对肌动蛋白波的启示

Jack M. Hughes, Saar Modai, Leah Edelstein-Keshet, Arik Yochelis

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了质量守恒反应扩散模型中行波与波固定状态的双稳性，揭示了不同细胞运动模式共存、鲁棒性和转换的可能机制。

Comments 47 pages, 25 figures

Journal ref SIAM J. Applied Dynamical Systems, 25(2), pp. 789--835. (2026)

SHIFT: Steering Hidden Intermediates in Flow Transformers

SHIFT: 在流变换器中操控隐藏中间量

Nina Konovalova, Andrey Kuznetsov, Aibek Alanov

机构 * FusionBrain Lab（FusionBrain实验室） ； HSE University（高等经济大学） ； AXXX 纠错

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

AI总结 SHIFT通过在推理时操控中间激活值，实现对DiT扩散模型中概念的去除，同时保持图像质量，支持风格域转换和目标对象的偏移。

Evolutionary Optimization Trumps Adam Optimization on Embedding Space Exploration

进化优化在嵌入空间探索中胜过Adam优化

Domício Pereira Neto, João Correia, Penousal Machado

机构 * University of Coimbra（科英布拉大学） 纠错

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

AI总结 本文比较了进化优化与Adam优化在Stable Diffusion XL Turbo模型中的表现，发现进化优化在美学质量与提示对齐之间取得更好的平衡，且无需模型微调。

Comments 34 pages, 6 figures, 3 tables, 18 appendix figures, 1 appendix table

MeshOn: Intersection-Free Mesh-to-Mesh Composition

MeshOn：无交集的网格到网格组合

Hyunwoo Kim, Itai Lang, Hadar Averbuch-Elor, Silvia Sellán, Rana Hanocka

机构 * Columbia University（哥伦比亚大学） ； University of Chicago（芝加哥大学） ； Cornell University（康奈尔大学） 纠错

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

AI总结 MeshOn通过多步骤优化框架实现两个输入网格的物理和语义真实组合，利用结构对齐方案和几何损失防止表面交叠，适用于多种材质配件的精准拟合。

Comments Project page: \hyperlink{https://threedle.github.io/MeshOn/}{this https URL}

Envisioning the Future, One Step at a Time

逐步展望未来

Stefan Andreas Baumann, Jannik Wiese, Tommaso Martorella, Mahdi M. Kalayeh, Björn Ommer

机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Netflix 纠错

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

AI总结 本文提出通过稀疏点轨迹逐步推断来预测开放集未来场景动态，提升大规模探索效率，同时引入OWM基准测试预测准确性与现实不确定性下的多样性。

Comments CVPR 2026. For code and models, see http://compvis.github.io/myriad

Screen, Cache, and Match: A Training-Free Causality-Consistent Reference Frame Framework for Human Animation

屏幕、缓存与匹配：一种无需训练的因果一致性参考框架用于人类动画

Jianan Wang, Nailei Hei, Li He, Huanzhen Wang, Aoxing Li, Yingkai Zhao, Yuxuan Lin, Haofen Wang, Chunyang Wang, Yan Wang, Wenqiang Zhang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院上海市智能信息处理重点实验室） ； College of Design and Innovation, Tongji University（同济大学设计创意学院） ； School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院） 纠错

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

AI总结 本文提出FrameCache框架，通过Screen-Cache-Match策略和Trajectory-Aware Autoregressive Generation机制，提升人类动画的时空一致性与视觉稳定性。

CoMoVi: Co-Generation of 3D Human Motions and Realistic Videos

CoMoVi：3D人类动作与真实视频的联合生成

Chengfeng Zhao, Jiazhi Shu, Yubo Zhao, Tianyu Huang, Jiahao Lu, Zekai Gu, Chengwei Ren, Zhiyang Dou, Qing Shuai, Yuan Liu

机构 * HKUST（香港科技大学） ； SCUT（华南理工大学） ； HKU（香港大学） ； MIT（麻省理工学院） ； ZJU（浙江大学） 纠错

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

AI总结 本文提出CoMoVi框架，通过单个扩散去噪循环同步生成3D人类动作和视频，采用双分支扩散模型实现动作与视频生成的互惠特征交互和3D-2D交叉注意力。

Comments Project Page: https://igl-hkust.github.io/CoMoVi/

ClusterMark: Towards Robust Watermarking for Autoregressive Image Generators with Visual Token Clustering

ClusterMark：面向自回归图像生成器的鲁棒水印技术：基于视觉token聚类

Denis Lukovnikov, Andreas Müller, Erwin Quiring, Asja Fischer

机构 * Ruhr University Bochum（波鸿鲁尔大学） ； _fbeta 纠错

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

AI总结 本文提出ClusterMark，通过视觉token聚类提升自回归图像生成器的水印鲁棒性，有效对抗图像扰动和再生攻击，同时保持图像质量，优于现有基线方法。

Comments CVPR 2026