图像生成

EditCrafter: Tuning-free High-Resolution Image Editing via Pretrained Diffusion Model

EditCrafter：基于预训练扩散模型的无调优高分辨率图像编辑

Kunho Kim, Sumin Seo, Yongjun Cho, Hyungjin Chung

机构 * NC AI ； Medipixel, Inc.（Medipixel公司） ； EverEx 纠错

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

AI总结 本文提出EditCrafter，利用预训练文本到图像扩散模型实现无需调优的高分辨率图像编辑，解决了传统方法在处理任意宽高比和高分辨率图像时的局限性。

Comments Accepted to CVPRW 2026 Proceeding Track. Project page: https://editcrafter.github.io/

FineEdit: Fine-Grained Image Edit with Bounding Box Guidance

FineEdit: 基于边界框引导的细粒度图像编辑

Haohang Xu, Lin Liu, Zhibo Zhang, Rong Cong, Xiaopeng Zhang, Qi Tian

机构 * Huawei Inc（华为公司） 纠错

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

AI总结 本文提出FineEdit，通过多级边界框注入方法提升图像编辑的精确度与背景一致性，结合120万对精细标注图像数据集和FineEdit-Bench基准测试，验证其在指令遵循和背景保留方面的优越性能。

AIM-Bench: Benchmarking and Improving Affective Image Manipulation via Fine-Grained Hierarchical Control

AIM-Bench：通过细粒度分层控制进行情感图像操纵的基准测试与改进

Shi Chen, Xuecheng Wu, Heli Sun, Yunyun Shi, Xinyi Yin, Fengjian Xue, Jinheng Xie, Dingkang Yang, Hao Wang, Junxiao Xue, Liang He

机构 * Xi'an Jiaotong University（西安交通大学） ； Zhengzhou University（郑州大学） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； Zhejiang Lab（之江实验室） 纠错

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

AI总结 本文提出AIM-Bench，通过细粒度分层控制进行情感图像操纵的基准测试，改进了现有图像编辑基准的不足，提出了AIM-40k数据集并提升了模型性能。

Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT

隐匿与寻找归因：基于弱监督的CT椎体转移瘤分割

Matan Atad, Alexander W. Marka, Lisa Steinhelfer, Anna Curto-Vilalta, Yannik Leonhardt, Sarah C. Foreman, Anna-Sophia Walburga Dietrich, Robert Graf, Alexandra S. Gersing, Bjoern Menze, Daniel Rueckert, Jan S. Kirschke, Hendrik Möller

机构 * Institute of Neuroradiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院神经放射学研究所，医学与健康学院，慕尼黑工业大学） ； Chair for AI in Healthcare and Medicine, TUM and TUM University Hospital（慕尼黑工业大学及大学医院医疗与医学人工智能教席） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Institute of Diagnostic and Interventional Radiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院诊断与介入放射学研究所，医学与健康学院，慕尼黑工业大学） ； Department of Neuroradiology, University Hospital Munich (LMU)（慕尼黑大学医院神经放射学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Department of Diagnostic and Interventional Radiology, University Hospital Frankfurt（法兰克福大学医院诊断与介入放射学系） ； Department of Orthopedics and Sports Orthopedics, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院骨科与运动骨科，医学与健康学院，慕尼黑工业大学） 纠错

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

AI总结 本文提出一种基于椎体级别标签的弱监督分割方法，通过扩散自编码器和像素差异图识别可疑病变区域，利用隐匿与寻找归因机制在数据流形上投影并量化恶性贡献，实现高精度的椎体转移瘤分割。

Comments Accepted to MIDL 2026