图像生成

3DReflecNet: A Large-Scale Dataset for 3D Reconstruction of Reflective, Transparent, and Low-Texture Objects

3DReflecNet：一个大规模数据集，用于反射、透明和低纹理物体的3D重建

Zhicheng Liang, Haoyi Yu, Boyan Li, Dayou Zhang, Zijian Cao, Tianyi Gong, Junhua Liu, Shuguang Cui, Fangxin Wang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Capital Normal University（首都师范大学） ； University of Southern California（南加州大学） 纠错

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

AI总结 本文提出3DReflecNet数据集，包含超过700万张多视角图像，用于评估和推动针对反射、透明和低纹理物体的3D视觉方法，揭示现有方法在复杂材料下的局限性。

Comments This paper has been accepted by CVPR 2026 Oral

Towards Generative Predictive Display for Vision-Based Teleoperation: A Zero-Shot Benchmark of Off-the-Shelf Video Models

面向基于视觉的遥控的生成预测显示：一种零样本基准测试的现成视频模型

Aws Khalil, Jaerock Kwon

机构 * Department of Electrical and Computer Engineering, University of Michigan - Dearborn（密歇根大学迪尔伯恩分校电气与计算机工程系） 纠错

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

AI总结 本文提出一种零样本基准测试，评估现成生成视频模型在短时间预测显示中的性能，发现现有模型无法在低误差、非发散误差行为和实时推断间取得平衡。

Tstars-Tryon 1.0: Robust and Realistic Virtual Try-On for Diverse Fashion Items

Tstars-Tryon 1.0：鲁棒且逼真的虚拟试衣系统用于多样化服装物品

Mengting Chen, Zhengrui Chen, Yongchao Du, Zuan Gao, Taihang Hu, Jinsong Lan, Chao Lin, Yefeng Shen, Xingjian Wang, Zhao Wang, Zhengtao Wu, Xiaoli Xu, Zhengze Xu, Hao Yan, Mingzhou Zhang, Jun Zheng, Qinye Zhou, Xiaoyong Zhu, Bo Zheng

机构 * Alibaba Group（阿里巴巴集团） ； Taobao App（淘宝App） 纠错

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

AI总结 本文提出Tstars-Tryon 1.0，一种高效且逼真的虚拟试衣系统，能够处理复杂场景，支持多件衣物试穿，并在大规模部署中实现高效率和高质量输出。

Comments 24 pages, model evaluation report

Exploring the AI Obedience: Why is Generating a Pure Color Image Harder than CyberPunk?

探索AI服从性：为何生成纯色图像比CyberPunk更困难

Hongyu Li, Kuan Liu, Yuan Chen, Juntao Hu, Huimin Lu, Guanjie Chen, Xue Liu, Guangming Lu, Hong Huang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； City University of Hong Kong（城市大学） ； Chinese University of Hong Kong（香港中文大学） ； McGill University（麦吉尔大学） 纠错

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

AI总结 研究探讨生成纯色图像的困难源于模型在复杂场景生成中的系统性失败，提出AI服从性框架和Violin基准测试，揭示闭源模型在确定性精度上的优势。

A Stability Benchmark of Generative Regularizers for Inverse Problems

生成正则化器在反问题中的稳定性基准

Alexander Denker, Johannes Hertrich, Sebastian Neumayer

机构 * Helmholtz Imaging, Deutsches Elektronen-Synchrotron DESY, Germany（德意志电子同步辐射研究中心（Helmholtz Imaging）） ； ENS Paris & Inria, France（巴黎高等师范学院与法国国家信息与自动化研究所） ； Chemnitz University of Technology, Germany（化学工业大学） 纠错

专题命中 图像生成评测 ：diffusion(abstract)

AI总结 本文评估生成正则化器在反问题中的稳定性，对比优化方法，探讨其在不同场景下的性能。