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。

2026-05-26 至 2026-05-26 共收录 3 篇信号源：cs.CV, cs.GR, cs.MM

1. 个性化与一致性 3 篇

2605.26111 2026-05-26 cs.CV cs.AI cs.GR cs.LG cs.MM 75%

Squeezing Capacity from Multimodal Large Language Models for Subject-driven Generation

从多模态大语言模型中榨取能力用于主题驱动生成

Shuhong Zheng, Aashish Kumar Misraa, Yu-Teng Li, Yu-Jhe Li, Igor Gilitschenski

机构 * University of Toronto & Vector Institute（多伦多大学及向量研究所）； Adobe（Adobe公司）； Google（谷歌公司）

专题命中个性化与一致性：image generation(abstract)；diffusion(abstract)；分类 cs.CV、cs.GR、cs.MM

AI总结提出一种结合多模态大语言模型和VAE身份条件的方法，通过双层级聚合模块和多阶段去噪策略，在主题驱动图像生成中实现多模态理解与身份保持的平衡，优于现有方法。

Comments 33 pages, 18 figures, Project Page: https://zsh2000.github.io/squeeze-mllm-subject-gen/

2605.25778 2026-05-26 cs.CV 57%

OMGTex: One-stage Multi-style Facial Texture Reconstruction without Geometry Guidance

OMGTex: 无需几何引导的一阶段多风格面部纹理重建

Zitong Xiao, Yuda Qiu, Zisheng Ye, Xiaoguang Han

机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院）； Guangdong Provincial Key Laboratory of Future Networks of Intelligence（广东省未来网络智能化重点实验室）； FNii-Shenzhen（FNii-深圳）

专题命中个性化与一致性：diffusion(abstract)；分类 cs.CV

AI总结提出OMGTex，一种端到端的扩散框架，无需3D几何先验，直接从多风格面部图像重建高质量、可编辑的UV纹理，通过梯度引导推理和语义感知训练实现鲁棒重建与编辑。

Comments CVPR 2026 (Poster)

2602.00443 2026-05-26 cs.SD cs.MM eess.AS 57%

RVCBench: Benchmarking the Robustness of Voice Cloning Across Modern Audio Generation Models

RVCBench：现代音频生成模型中语音克隆鲁棒性的基准测试

Ruinan Jin, Xinting Liao, Hanlin Yu, Deval Pandya, Xiaoxiao Li

机构 * The University of British Columbia（不列颠哥伦比亚大学）； Vector Institute（向量研究所）

专题命中个性化与一致性：diffusion(abstract)；分类 cs.MM

AI总结提出RVCBench数据集和基准，通过18项鲁棒性评估、225个说话人和14370个话语，系统评估语音克隆模型在噪声、多语言、长文本、后处理和对抗扰动等现实场景下的鲁棒性。

Comments 65 pages, 10 figures