图像生成

4KLSDB: A Large-Scale Dataset for 4K Image Restoration and Generation

4KLSDB：用于4K图像恢复与生成的大规模数据集

Zihao Zhu, Kuan-Ru Huang, Zhaoming Xu, Renjie Li, Bo Wu, Ruizheng Bai, Mingyang Wu, Sayak Paul, Zhengzhong Tu

机构 * Texas A&M University（德克萨斯A&M大学） ； Hugging Face 纠错

专题命中 图像修复 ：text-to-image(abstract)；diffusion(abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 为解决现有数据集缺乏原生4K分辨率和规模的问题，提出包含129,484张4K图像的大规模数据集4KLSDB，并通过多阶段自动过滤和标注确保质量，实验证明其在超分辨率和扩散模型训练中能显著提升4K基准性能。

Comments Accepted to the DataCV Workshop at CVPR 2026; 10 pages, 4 figures, 7 tables; Our project page is available at: https://4klsdb.github.io/

FlowSteer: Conditioning Flow Field for Consistent Image Restoration

FlowSteer: 条件化流场以实现一致图像恢复

Tharindu Wickremasinghe, Chenyang Qi, Harshana Weligampola, Zhengzhong Tu, Stanley H. Chan

机构 * Purdue University（普渡大学） ； HKUST（香港科技大学） ； Texas A&M University（德克萨斯农工大学） 纠错

专题命中 图像修复 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出FlowSteer，一种算子感知的条件化方案，通过在采样路径中注入测量先验，将冻结流的隐式引导与显式测量约束耦合，在零样本设置下实现超分辨率、去模糊、去噪和着色等任务的一致图像恢复。

Comments Accepted by CVPRF 2026. Camera Ready version. Project page is \href{https://tharindu-nirmal.github.io/FlowSteer/}{in this link}

Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration

自监督动态异质退化建模用于统一零样本图像恢复

XiaoWan Hu, Jing Yang, HeNan Liu, HuaQiu Li, Mai Xu

机构 * Beihang University（北航） ； Tsinghua University（清华大学） 纠错

专题命中 图像修复 ：diffusion(abstract)；分类 cs.CV

AI总结 提出统一物理零样本图像恢复框架，通过将异质退化重参数化为同质分布并引入动态质量细化策略，实现单/混合退化下的最优性能。

LiWi: Layering in the Wild

LiWi: 野外分层

Yu He, Fang Li, Haoyang Tong, Lichen Ma, Xinyuan Shan, Jingling Fu, Dong Chen, Luohang Liu, Junshi Huang, Yan Li

机构 * MAIS & NLPR, CASIA（模式识别与人工智能实验室及中国科学院自动化研究所） 纠错

专题命中 图像修复 ：image generation(abstract)；分类 cs.CV

AI总结 提出基于代理驱动数据分解和联合优化光度保真度与alpha边界的方法，实现野外自然图像的高保真分层分解，构建了LiWi-100k数据集并达到SOTA性能。

Comments Project Page https://rassetmusty.github.io/LiWi

High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications

面向机器学习应用的全尺寸压水堆流场高保真建模

Logan A. Burnett, Hyungjun Kim, Hsien-Cheng Chou, Arsha Witoelar, Robert A. Brewster, Benoit Forget, Emilio Baglietto, Majdi I. Radaideh

机构 * Department of Nuclear Engineering and Radiological Sciences, University of Michigan（密歇根大学核工程与辐射科学系） ； Department of Nuclear Science and Engineering, Massachusetts Institute of Technology（麻省理工学院核科学与工程系） ； Korea Atomic Energy Research Institute（韩国原子能研究所） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； Department of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） 纠错

专题命中 图像修复 ：inpainting(abstract)

AI总结 本研究利用高保真CFD模拟和机器学习模型，对四环路压水堆组件级流场进行表征，揭示了冷腿旋流和下腔室输运导致的入口流量分布不均匀性，并验证了ConvLSTM等空间感知架构在流场重建与预测中的优越性。

Comments 30 pages, 10 figures, and 6 Tables