视觉与机器人

图像生成

图像生成、文生图、图像编辑、扩散模型和可控生成。

2026-04-16 至 2026-04-16 共收录 3 篇信号源：cs.CV, cs.GR, cs.MM

1. 文生图 3 篇

2604.13956 2026-04-16 cs.HC cs.AI cs.CV 83%

Creo: From One-Shot Image Generation to Progressive, Co-Creative Ideation

Creo：从单次图像生成到渐进、协同创意构思

Zoe De Simone, Angie Boggust, Fredo Durand, Ashia Wilson, Arvind Satyanarayan

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）

专题命中文生图：image generation(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 Creo是一种多阶段文本到图像系统，通过从粗糙草图到高分辨率输出的渐进过程，使用户能够在中间抽象层进行逐步修改，提升可控性、用户自主性和创意多样性。

Comments 11 pages, 5 figures

2406.12632 2026-04-16 eess.IV cs.CV 79%

Cyclic 2.5D Perceptual Loss for Cross-Modal 3D Medical Image Synthesis: T1w MRI to Tau PET

循环2.5D感知损失用于跨模态3D医学图像合成：T1加权MRI到tau PET

Junho Moon, Symac Kim, Haejun Chung, Ikbeom Jang

机构 * Department of Artificial Intelligence, Hanyang University, Seoul, South Korea（人工智能系，翰阳大学，首尔，韩国）； Department of Electronic Engineering, Hanyang University, Seoul, South Korea（电子工程系，翰阳大学，首尔，韩国）； Division of Computer Engineering, Hankuk University of Foreign Studies, Yongin, South Korea（计算机工程系，韩国外语大学， Yongin，韩国）； Division of AI Data Convergence, Hankuk University of Foreign Studies, Yongin, South Korea（AI数据融合系，韩国外语大学， Yongin，韩国）； Division of Language & AI, Hankuk University of Foreign Studies, Seoul, South Korea（语言与AI系，韩国外语大学，首尔，韩国）

专题命中文生图：image synthesis(title,abstract)；分类 cs.CV

AI总结本文提出循环2.5D感知损失用于从T1加权MRI生成tau PET，通过交替优化不同切面提升体积一致性，并标准化SUVR以提高准确性。

Comments Published in Human Brain Mapping, available at https://doi.org/10.1002/hbm.70508

2604.13305 2026-04-16 cs.CV 57%

Bias at the End of the Score

评分末尾的偏见

Salma Abdel Magid, Grace Guo, Esin Tureci, Amaya Dharmasiri, Vikram V. Ramaswamy, Hanspeter Pfister, Olga Russakovsky

机构 * Princeton University（普林斯顿大学）； Harvard University（哈佛大学）

专题命中文生图：text-to-image(abstract)；分类 cs.CV

AI总结研究揭示奖励模型在文本到图像生成中因编码人口偏见导致性别和种族刻板印象强化及多样性崩溃的问题。

Comments Accepted to The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026