图像生成

MULTI: Disentangling Camera Lens, Sensor, View, and Domain for Novel Image Generation

MULTI: 解构相机镜头、传感器、视角和领域以实现新图像生成

Sonali Godavarthy, Matthias Neuwirth-Trapp, Tim-Felix Faasch, Maarten Bieshaar, Michael Moeller, Danda Pani Paudel

机构 * Bosch Research（博世研究） ； ETH Zürich（苏黎世联邦理工学院） ； University of Siegen（锡根大学） 纠错

专题命中 图像生成评测 ：image generation(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 MULTI通过文本逆向学习解构图像生成中的多因素，提升对特定风格和对象的控制能力，并通过DF-RICO基准验证其有效性。

Comments Accepted at ICPR 2026

Position: Universal Aesthetic Alignment Narrows Artistic Expression

位置：通用审美对齐限制了艺术表达

Wenqi Marshall Guo, Qingyun Qian, Khalad Hasan, Shan Du

机构 * Department of CMPS, University of British Columbia, Kelowna, Canada（计算机科学与工程系，不列颠哥伦比亚大学，加拿大克洛维纳） 纠错

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

AI总结 本文探讨了将图像生成模型过度对齐通用审美偏好与用户意图冲突的问题，指出生成模型倾向于产生传统美观输出，忽视用户对低质量或负面图像的指令。

WildRelight: A Real-World Benchmark and Physics-Guided Adaptation for Single-Image Relighting

WildRelight：一个现实世界基准和基于物理的适应方法用于单图像照明

Lezhong Wang, Mehmet Onurcan Kaya, Siavash Bigdeli, Jeppe Revall Frisvad

机构 * Technical University of Denmark（丹麦技术大学） ； Inria（法国国家信息与自动化研究所） 纠错

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

AI总结 本文提出WildRelight，首个现实世界单图像照明评估数据集，通过严格对齐的自然光照和高动态范围环境图，揭示了合成数据训练模型在现实世界中的域移问题，并引入基于物理的推理框架实现自监督适应。

Comments Companion paper to the CVPR26 findings paper 'WildRelight', introducing the physics-guided adaptation method evaluated on the dataset. Project Page: https://lez-s.github.io/wildrelight_proj/

DiffScore: Text Evaluation Beyond Autoregressive Likelihood

DiffScore：超越自回归似然的文本评估

Wen Lai, Yingli Shen, Dingnan Jin, Qing Cui, Jun Zhou, Maosong Sun, Alexander Fraser

机构 * Ant Group（蚂蚁集团） ； Tsinghua University（清华大学） ； Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 图像生成评测 ：diffusion(abstract)

AI总结 DiffScore通过基于掩码大扩散语言模型的掩码重建方法，消除位置偏差，建立从局部流畅到全局连贯的评估体系，并提供诊断工具提升文本评估效果。

Offline Policy Evaluation for Manipulation Policies via Discounted Liveness Formulation

通过折扣存活公式评估操纵策略的离线策略评估

Hao Wang, Joshua Bowden, Colton Crosby, Somil Bansal

机构 * University of Southern California（南加州大学） ； Stanford University（斯坦福大学） 纠错

专题命中 图像生成评测 ：diffusion(abstract)

AI总结 本文提出基于存活Bellman算子的离线策略评估框架，解决稀疏奖励下任务完成问题，通过保守固定点值函数降低截断偏差，实验证明在折叠任务中优于传统基线方法。

Comments Published at RSS 2026