图像生成

ACCORD: Alleviating Concept Coupling through Dependence Regularization for Text-to-Image Diffusion Personalization

ACCORD: 通过依赖正则化缓解文本到图像扩散个性化中的概念耦合

Shizhan Liu, Hao Zheng, Hang Yu, Jianguo Li

机构 * Ant Group（蚂蚁集团） 纠错

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

AI总结 提出两种即插即用损失函数（去噪解耦损失和先验解耦损失）直接最小化两种依赖差异，以缓解概念耦合问题，实现文本控制与个性化保真度的更好平衡。

DyCoRM: Dynamic Criterion-Aware Reward Modeling for Text-to-Image Generation

DyCoRM: 面向文本到图像生成的动态准则感知奖励建模

Jiaying Qian, Ziheng Jia, Qian Zhang, Zicheng Zhang, Jiayi Guo, Junqi Zhang, Guangtao Zhai, Xiongkuo Min

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 针对用户对文本到图像生成中动态、细粒度评价准则的需求，提出DyCoRM动态准则感知奖励模型，并构建数据集DyCoDataset-20K和基准DyCoBench-1K，通过准则感知偏好比较和DyCoPick选择方法，实现首个动态细粒度奖励建模框架。

BFS: Back-to-Front Layered Image Synthesis via Knowledge Transfer

BFS: 通过知识转移的前后分层图像合成

Kyoungkook Kang, Gyujin Sim, Sunghyun Cho

机构 * SAMSUNG（三星） ； POSTECH 纠错

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

AI总结 提出BFS框架，利用双分支扩散模型和两阶段训练，通过从非分层图像合成中转移知识，实现高质量的前景层合成与背景和谐融合。

Comments SIGGRAPH 2026

Vision-Language Binding in In-Context Image Generation

上下文图像生成中的视觉-语言绑定

Chris Ge, Rohit Gandikota, Antonio Torralba, Tamar Rott Shaham

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Northeastern University（东北大学） 纠错

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

AI总结 本文通过因果干预方法揭示FLUX.2模型中文本令牌与参考图像之间的隐式跨模态绑定机制，并定位绑定发生在文本序列的填充令牌上。

Comments 35 pages, 19 figures

FairJudge: Abstention-Aware Multimodal Judges for Fairness and Alignment Evaluation in Text-to-Image Models

FairJudge: 文本到图像模型中公平性与对齐评估的弃权感知多模态裁判

Zahraa Al Sahili, Maimuna Nowaz, Maryam Fetanat, Ioannis Patras, Matthew Purver

机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Institut Jožef Stefan（乔泽夫·斯蒂芬研究所） ； Imperial College London（伦敦帝国学院） 纠错

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

AI总结 提出FairJudge协议，利用多模态大语言模型作为结构化裁判，通过封闭标签、弃权机制和证据报告，在文本到图像模型中实现社会属性预测、职业定位和提示-图像对齐的公平性评估。

Dynamic Optimization and Safety Indicator Injection for Jailbreaking Text-to-Image Models with Multimodal Safety Filters

动态优化与安全指示注入：针对多模态安全过滤器的文本到图像模型越狱方法

Zixuan Chen, Hao Lin, Ke Xu, Xinghao Jiang, Tanfeng Sun

机构 * Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)

AI总结 提出OptJail框架，通过动态提示优化与自适应安全指示注入，绕过文本和图像过滤器，实现高成功率越狱，并揭示多模态防御的系统性漏洞。

Mosaic: Compositional Multi-Concept Erasure via Vector Field Blending

Mosaic: 通过向量场混合的组合式多概念擦除

Junseok Ko, Jungwoo Kim, Jong-Seok Lee

机构 * Department of Artificial Intelligence, Yonsei University（延世大学人工智能系） ； School of Integrated Technology, Yonsei University（延世大学整合技术学院） 纠错

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

AI总结 针对流式文本到图像模型中同时擦除多个目标概念的任务，提出Mosaic框架，通过动态构建概念特定掩码并选择性混合向量场，无需额外优化即可有效移除复杂场景中的多概念。

Inspiration Seeds: Learning Non-Literal Visual Combinations for Generative Exploration

灵感种子：学习用于生成式探索的非字面视觉组合

Kfir Goldberg, Elad Richardson, Yael Vinker

机构 * MIT（麻省理工学院） 纠错

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

AI总结 提出Inspiration Seeds框架，通过CLIP稀疏自编码器提取编辑方向并隔离概念对，实现无需文本提示的两张输入图像的视觉组合生成，支持早期创意阶段的探索性构思。

Comments Project page available at https://kfirgoldberg.github.io/InspirationSeeds/

Look Both Ways Before You Cross: Lifting Cross Fields From 2D Visual Priors

过马路前左右看：从2D视觉先验中提取交叉场

Dale Decatur, Jacob Serfaty, Oded Stein, Amir Vaxman, Rana Hanocka

机构 * University of Chicago（芝加哥大学） ； University of Southern California（南加州大学） ； University of Edinburgh（爱丁堡大学） 纠错

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

AI总结 提出CrossLift方法，利用文本到图像先验从2D图像中提取方向信号，通过两次平滑插值将其反投影到网格表面，生成语义对齐的交叉场和四边形网格。

Comments Project page at: https://crosslift.github.io/

VectorArk: Learning Practical Image Vectorization with Rounded Polygon Representation

VectorArk: 学习基于圆角多边形表示的实际图像矢量化

Tarun Gehlaut, Difan Liu, Charu Bansal, Krutik Malani, Souymodip Chakraborty, Ankit Phogat, Matthew Fisher, Vineet Batra

机构 * Adobe 纠错

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

AI总结 提出VectorArk模型，采用圆角多边形表示和退化模型，实现鲁棒且实用的图像矢量化，在多个数据集上取得优越的几何完整性和伪影抑制效果。

Comments CVPR 2026. Project page: https://vectorark.github.io/

MAIL++: Multi-Modal Bi-directional Agent Layer for Vision-Language Models

MAIL++: 视觉语言模型的多模态双向智能体层

Kaixiang Chen, Pengfei Fang, Hui Xue

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用国家重点实验室（东南大学），中华人民共和国教育部，中国） 纠错

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

AI总结 提出MAIL/MAIL++方法，通过将跨模态耦合嵌入VLM内在计算模块并引入双向桥接，实现参数高效微调，在少样本分类和跨域检索中超越现有方法。

HoloFair: Unified T2I Fairness Evaluation and Fair-GRPO Debiasing

HoloFair: 统一的T2I公平性评估与Fair-GRPO去偏

Ruyi Chen, Lu Zhou, Xiaogang Xu, Chiyu Zhang, Jiafei Wu, Liming Fang

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； School of Software Technology, Zhejiang University, Ningbo, China（浙江大学宁波校区软件学院） ； Ningbo Global Innovation Center, Zhejiang University, Ningbo, China（浙江大学宁波全球创新中心） ； Collaborative Innovation Center of Novel Software Technology and Industrialization（新型软件技术与产业化协同创新中心） 纠错

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

AI总结 提出HoloFair基准框架，通过多属性组间偏差指数（MGBI）评估文本到图像模型的公平性，并引入基于强化学习的Fair-GRPO方法进行去偏，在SD3.5-Medium模型上显著提升多维公平性且保持图像质量。

Comments Accepted to ICML 2026. Code and dataset are available at https://github.com/1059684669/HoloFair

Talking Slide Avatars: Open-Source Multimodal Communication Approach for Teaching

Talking Slide Avatars: 面向教学的开源多模态通信方法

Xinxing Wu

机构 * School of Mathematics and Computer Science, Kentucky State University（肯塔基州立大学数学与计算机科学学院） 纠错

专题命中 文生图 ：image synthesis(abstract)

AI总结 提出一种集成OpenVoice和Ditto-TalkingHead的开源工作流，用于创建可说话的幻灯片头像，以增强在线教学中的教师存在感和叙事连续性。

Comments 15 pages

Semantic Granularity Navigation in Image Editing

图像编辑中的语义粒度导航

Liangsi Lu, Minzhe Guo, Xuhang Chen, Yang Shi

机构 * Guangdong University of Technology, Guangzhou, China（广东工业大学，广州，中国） ； Huizhou University, Huizhou, China（惠州市大学，惠州，中国） 纠错

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

AI总结 提出NaviEdit，一种无需训练、推理时控制的解耦方法，通过自一致性约束将编辑进度与模型尺度解耦，在保持结构保真度的同时提升语义可编辑性。

Comments Accepted by ICML 2026

Fidelity-preserving enhancement of ptychography with foundational text-to-image models

基于基础文本到图像模型的叠层衍射成像保真增强

Ming Du, Volker Rose, Junjing Deng, Dileep Singh, Si Chen, Mathew J. Cherukara

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

AI总结 提出一种即插即用框架，结合基于物理模型的相位恢复与文本引导的扩散模型图像编辑，通过交替方向乘子法保持数据保真度并消除伪影，显著提升叠层衍射成像质量。

Rethinking Scribble-Guided Image Editing: Generalization, Instruction Adherence, and Multi-Tasking

重新思考涂鸦引导的图像编辑：泛化、指令遵循与多任务

Mingyi Xu, Jinpeng Lin, Min Zhou, Tiezheng Ge, Ming Zeng

机构 * Xiamen University（厦门大学） ； Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团） 纠错

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

AI总结 针对涂鸦引导图像编辑在多任务场景下性能不稳定的问题，通过实证研究揭示指令级泛化瓶颈，提出覆盖-真实课程、多任务拼接和编辑聚焦损失三种策略，在VIBE基准上实现单任务和多任务的最优结果。

EditCaption: Human-Refined SFT and HAE-DPO for Image Editing Instruction Synthesis

EditCaption: 用于图像编辑指令合成的人工精炼SFT与HAE-DPO

Xiangyuan Wang, Honghao Cai, Yunhao Bai, Chao Hui, Tianze Zhou, Haohua Chen, Hao Shi, Yuling Wu, Yao Hu, Xu Tang, Yibo Chen, Wei Zhu

机构 * Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Tsinghua University（清华大学） ； Beihang University（北京航空航天大学） ； Xiaohongshu Inc.（小红书公司） 纠错

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

AI总结 提出EditCaption两阶段后训练流程，通过人工精炼SFT和基于难度自适应错误感知DPO（HAE-DPO）提升图像编辑指令合成质量，显著降低关键错误率并超越现有模型。

Reversible Inversion for Training-Free Exemplar-guided Image Editing

可逆反演用于免训练示例引导图像编辑

Yuke Li, Lianli Gao, Ji Zhang, Pengpeng Zeng, Lichuan Xiang, Hongkai Wen, Heng Tao Shen, Jingkuan Song

机构 * school of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Computing and Artificial Intelligence, Southwest Jiaotong University, China（西南交通大学计算机科学与人工智能学院） ； School of Computer Science and Technology, Tongji University, China（同济大学计算机科学与技术学院） ； Department of Computer Science, University of Warwick, United Kingdom（英国沃里克大学计算机科学系） 纠错

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

AI总结 提出可逆反演（ReInversion）方法，通过两阶段去噪和掩码引导选择性去噪策略，实现免训练的高效示例引导图像编辑，达到最优性能且计算开销最低。

DUEL: Adversarial Self-Play for Multimodal Reasoning

DUEL: 用于多模态推理的对抗性自我对弈

Lin Qiu, Hanqing Zeng, Yao Liu, Bingjun Sun, Guangdeng Liao, Ji Liu

机构 * Meta AI 纠错

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

AI总结 提出DUEL框架，通过对抗性自我对弈从预训练VLM生成监督信号，结合长度归一化对数似然奖励，无需人工标注即可提升视觉推理与判别能力。

Dual-Use AI Face Swap Apps Are Mostly Unsafe: A Systematic Safety Audit

双用途AI换脸应用大多不安全：系统性安全审计

Alaa Daffalla, Sarah Chao, Eric Zeng

专题命中 图像编辑 ：image editing(abstract)

AI总结 本研究系统审计了iOS和Android平台上的420款AI换脸应用，发现70%缺乏防止生成裸体图像的技术保障，且多数应用的服务条款未禁止此类滥用，建议平台和立法者强制要求安全过滤措施。

fMRI-Diffusion: Generating fMRI Time Series Via a Temporal Transformer Diffusion Model for Major Depressive Disorder Diagnosis

fMRI-Diffusion: 用于重度抑郁症诊断的基于时间Transformer扩散模型的fMRI时间序列生成

Muhammad Asif Hasan, Yanming Zhu, Xuefei Yin, Alan Wee-Chung Liew

机构 * School of Information and Communication Technology, Griffith University（信息与通信技术学院，格里菲斯大学） 纠错

专题命中 扩散模型 ：diffusion(title,title_cn)；分类 cs.CV

AI总结 提出fMRI-Diffusion框架，通过时间Transformer扩散模型合成ROI级fMRI时间序列而非功能连接矩阵，以保留时间信息并提升小样本下MDD诊断准确率。

Fusion Embedding for Pose-Guided Person Image Synthesis with Diffusion Model

基于扩散模型的姿态引导人物图像合成的融合嵌入

Donghwna Lee, Kirok Kim, Jisu Lee, Kyungha Min, Wooju Kim

机构 * Department of Industrial Engineering（工业工程系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image synthesis(title,abstract)；分类 cs.CV

AI总结 提出FPDM框架，通过对比学习显式对齐融合源-姿态嵌入与目标图像嵌入，并作为条件信号生成，解决姿态引导人物图像合成中纹理保真度和一致性问题。

Parameter-Efficient VLMs for Gastrointestinal Endoscopy: Medical Image Generation and Clinical Visual Question Answering

用于胃肠内窥镜的参数高效视觉语言模型：医学图像生成与临床视觉问答

Ojonugwa Oluwafemi Ejiga Peter, Frederick Akor Ejiga, Fahmi Khalifa, Md Mahmudur Rahman

机构 * Computer Science Department, Morgan State University（莫尔甘州大学计算机科学系） ； International Organization for Migration (IOM)（国际移民组织） ； Electrical & Computer Engineering Department, Morgan State University（莫尔甘州大学电气与计算机工程系） 纠错

专题命中 扩散模型 ：diffusion(summary_cn,abstract)；image generation(title)；分类 cs.CV

AI总结 提出双流水线参数高效微调模型，结合Florence-2和LoRA Stable Diffusion，分别解决临床视觉问答和隐私保护合成数据生成问题，在Kvasir-VQA数据集上取得高ROUGE和BLEU分数，并显著降低计算成本。

Attacks on Approximate Caches in Text-to-Image Diffusion Models

文本到图像扩散模型中的近似缓存攻击

Desen Sun, Shuncheng Jie, Sihang Liu

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(title)

AI总结 本文针对文本到图像扩散模型中的近似缓存优化，提出了远程隐蔽信道、提示词窃取和投毒三种攻击方法，揭示了其严重的安全漏洞。

Comments Accepted by Usenix Security 2026

Injecting Image Guidance into Text-Conditioned Diffusion Models at Inference

在推理时将图像引导注入文本条件扩散模型

Agata Żywot, Iason Skylitsis, Thijmen Nijdam, Zoe Tzifa-Kratira, Derck Prinzhorn, Konrad Szewczyk, Aritra Bhowmik

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出视觉概念融合（VCF），一种无需重新训练即可在推理时同时以图像和文本为条件进行双重引导的方法，通过对齐CLIP图像特征与文本嵌入空间实现视觉概念注入。

Inference-Time Alignment of Diffusion Models via Trust-Region Iterative Twisted Sequential Monte Carlo

扩散模型的推理时对齐：基于信任区域迭代扭曲序贯蒙特卡洛方法

Weixin Wang, Yu Yang, Wei Deng, Pan Xu

机构 * Duke University（杜克大学） ； Morgan Stanley（摩根大通） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出信任区域迭代扭曲序贯蒙特卡洛（TRI-TSMC）框架，通过迭代学习扭曲函数来改进扩散模型推理时的对齐，在文本生成和文本到图像生成任务上优于现有方法。

Comments 34 pages, 6 figures, and 7 tables

Beyond Generative Priors: Minority Sampling with JEPA-Guided Diffusion

超越生成先验：JEPA引导扩散的少数采样

Sol Park, Soobin Um

机构 * Department of Artificial Intelligence, Kookmin University, Seoul, South Korea（人工智能系，韩国全州大学，首尔） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出一种基于世界模型JEPA引导的扩散采样框架，通过近似策略实现高效计算，在无条件、类别条件和文本到图像生成中提升少数样本的保真度和语义有效性。

Comments ICML 2026, 21 pages, 9 figures

Multi-Objective Learning for Diffusion Models: A Statistical Theory under Semi-Supervised Learning

扩散模型的多目标学习：半监督学习下的统计理论

Ziheng Cheng, Yixiao Huang, Hanlin Zhu, Haoran Geng, Somayeh Sojoudi, Jitendra Malik, Pieter Abbeel, Xin Guo

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)；text-to-image(abstract)

AI总结 针对扩散模型在多目标学习中因模型容量增大导致统计成本高的问题，提出半监督两阶段训练方法，利用未标记数据通过伪样本蒸馏，证明所需配对样本量仅取决于专家模型复杂度。

Everything at Every Scale: Scale-Invariant Diffusion with Continuous Super-Resolution

一切尺度：具有连续超分辨率的尺度不变扩散

Zixin Jessie Chen, Zhuo Chen, Archer Wang, Jeff Gore, William T. Freeman, Congyue Deng, Marin Soljačić

机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； Department of EECS, Massachusetts Institute of Technology（麻省理工学院电子工程与计算机科学系） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基础相互作用研究所） ； Institute for Data, Systems and Society, Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 提出SKILD模型，通过尺度不变扩散统一图像生成与连续超分辨率，仅改变起始时间步即可实现不同任务。

Comments 29 pages, 17 figures

Concept Unlearning via Cross-Attention Activation Projection for Diffusion Models

通过交叉注意力激活投影实现扩散模型的概念遗忘

Saemi Moon, Suhyeon Jun, Seoyeon Lee, Dongwoo Kim

机构 * CSE, POSTECH（POSTECH计算机科学系） ； GSAI, POSTECH（POSTECH通用人工智能实验室） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出PURE方法，利用交叉注意力激活空间构建遗忘和保留基，通过线性投影编辑权重，在保持保留概念的同时有效消除目标概念。