图像生成

IncreFA: Breaking the Static Wall of Generative Model Attribution

IncreFA: 破解生成模型归因的静态壁垒

Haotian Qin, Dongliang Chang, Yueying Gao, Yuexuan Tan, Lei Chen, Zhanyu Ma

机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Tsinghua University（清华大学） 纠错

专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV

AI总结 IncreFA将归因重新定义为结构化增量学习问题，通过层级约束和潜在记忆库机制，在28个生成模型上实现最先进的归因准确率和未见检测率。

Comments Accepted to CVPR 2026, with appendix

DT2IT-MRM: Debiased Preference Construction and Iterative Training for Multimodal Reward Modeling

DT2IT-MRM：去偏偏好构建与迭代训练用于多模态奖励建模

Zhihong Zhang, Jie Zhao, Xiaojian Huang, Jin Xu, Zhuodong Luo, Xin Liu, Jiansheng Wei, Xuejin Chen

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 图像生成评测 ：text-to-image(abstract)

AI总结 本文提出DT2IT-MRM方法，通过去偏偏好构建、文本到图像偏好数据重构和迭代训练框架，解决多模态奖励建模中偏好数据的偏差、噪声和不一致问题，并在三个基准测试中取得新突破。

Comments code will be uploaded to https://github.com/zhang123434/DT2IT-MRM

Generative Drifting for Conditional Medical Image Generation

生成漂移用于条件医学图像生成

Zirong Li, Siyuan Mei, Weiwen Wu, Andreas Maier, Lina Gölz, Yan Xia

机构 * Department of Orthodontics and Orofacial Orthopedics, Friedrich-Alexander-University Erlangen-Nuremberg（口腔正畸与面部骨科系，弗里德里希-艾萨克-埃尔兰-纽伦堡大学） ； Department Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-University Erlangen-Nuremberg（生物医学工程人工智能系，弗里德里希-艾萨克-埃尔兰-纽伦堡大学） ； Pattern Recognition Lab, Friedrich-Alexander-University Erlangen-Nuremberg（模式识别实验室，弗里德里希-艾萨克-埃尔兰-纽伦堡大学） ； Department of Biomedical Engineering, Sun-Yat-sen University（生物医学工程系，孙中山大学） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；分类 cs.CV

AI总结 本文提出GDM框架，通过多目标学习提升3D医学图像生成的分布合理性与患者特异性保真度，同时保持单步推理效率，在MRI到CT合成和稀疏视图CT重建中优于多种基线方法。

Adapting Self-Supervised Representations as a Latent Space for Efficient Generation

将自监督表示适配为潜在空间以实现高效生成

Ming Gui, Johannes Schusterbauer, Timy Phan, Felix Krause, Josh Susskind, Miguel Angel Bautista, Björn Ommer

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

专题命中 效率与蒸馏 ：text-to-image(abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 本文提出RepTok框架，通过自监督视觉Transformer生成单连续潜在token实现图像生成，通过微调语义token嵌入和生成解码器，提升重建精度并减少训练成本。

Comments ICLR 2026, Code: https://github.com/CompVis/RepTok

Guiding Distribution Matching Distillation with Gradient-Based Reinforcement Learning

通过基于梯度的强化学习引导分布匹配蒸馏

Linwei Dong, Ruoyu Guo, Ge Bai, Zehuan Yuan, Yawei Luo, Changqing Zou

机构 * Zhejiang University（浙江大学） ； Bytedance Inc.（字节跳动公司） ； Zhejiang Lab（浙江实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出GDMD框架，通过优先考虑蒸馏梯度而非原始像素输出来优化奖励机制，提升了少步生成的质量与稳定性，实验证明其在生成质量与人类偏好指标上均优于现有方法。

FASTER: Value-Guided Sampling for Fast RL

FASTER：基于价值引导的快速强化学习采样

Perry Dong, Alexander Swerdlow, Dorsa Sadigh, Chelsea Finn

机构 * Stanford University（斯坦福大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 FASTER通过建模去噪过程中的动作候选过滤作为马尔可夫决策过程，提升采样测试时间缩放的效率，减少计算成本并提高性能。

Counting Worlds Branching Time Semantics for post-hoc Bias Mitigation in generative AI

基于分支时间语义的计数世界语义用于生成AI的事后偏差缓解

Alessandro G. Buda, Giuseppe Primiero, Leonardo Ceragioli, Melissa Antonelli

专题命中 其他图像生成 ：image generation(abstract)

AI总结 本文提出CTLF分支时间逻辑，用于分析生成AI输出序列中的偏差，通过计数世界语义验证输出序列是否符合保护属性的概率分布，预测生成新输出时的偏差范围，以及确定需移除的输出数量以恢复公平性。